KR20230130147A - 자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬 - Google Patents

자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬 Download PDF

Info

Publication number
KR20230130147A
KR20230130147A KR1020237028886A KR20237028886A KR20230130147A KR 20230130147 A KR20230130147 A KR 20230130147A KR 1020237028886 A KR1020237028886 A KR 1020237028886A KR 20237028886 A KR20237028886 A KR 20237028886A KR 20230130147 A KR20230130147 A KR 20230130147A
Authority
KR
South Korea
Prior art keywords
output
target object
vehicle
host vehicle
navigation
Prior art date
Application number
KR1020237028886A
Other languages
English (en)
Inventor
암논 샤슈아
샤이 샬리스워츠
샤키드 샴마흐
요람 그달야후
오퍼 스프링거
야헬 구베르만
Original Assignee
모빌아이 비젼 테크놀로지스 엘티디.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 모빌아이 비젼 테크놀로지스 엘티디. filed Critical 모빌아이 비젼 테크놀로지스 엘티디.
Publication of KR20230130147A publication Critical patent/KR20230130147A/ko

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • G01C21/3889—Transmission of selected map data, e.g. depending on route
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B60W2420/42—
    • B60W2420/52—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/20—Data confidence level
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/25—Data precision

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

본 기재는 차량의 항법을 위한 시스템 및 방법에 관한 것이다. 일 실시예에서, 적어도 하나의 처리 장치는 제1 데이터 소스로부터 제1 출력 및 제2 데이터 소스로부터 제2 출력을 수신하고, 상기 제1 출력에서 타깃 물체의 묘사를 식별하고, 상기 타깃 물체의 특성이 적어도 하나의 항법 제약을 유발하는지 여부를 판단하고, 상기 적어도 하나의 항법 제약이 상기 타깃 물체의 상기 특성에 의해 유발되지 않는 경우에는 상기 제1 출력과 상기 제2 출력의 조합에 의거하여 상기 타깃 물체의 상기 묘사의 상기 식별을 확인하고, 상기 적어도 하나의 항법 제약이 상기 타깃 물체의 상기 특성에 의해 유발되는 경우에는 상기 제1 출력에 의거하여 상기 타깃 물체의 상기 묘사의 상기 식별을 확인하고, 상기 확인에 대응하여 적어도 하나의 항법 변경을 상기 차량에 유발할 수 있다.

Description

자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬{FUSION FRAMEWORK OF NAVIGATION INFORMATION FOR AUTONOMOUS NAVIGATION}
본 기재는 자율 주행에 관한 것이다.
기술 발전과 함께, 도로 위를 주행할 수 있는 완전 자율 자동차의 구현이 목전에 있다. 자율주행차는 의도한 목적지에 안전하고 정확하게 도착하기 위해 다양한 요인을 고려하고 그런 요인에 근거한 적절한 판단을 해야 할 수 있다. 예를 들어, 자율주행차는 시각 정보(예를 들면, 카메라로부터 캡처 된 정보)를 처리하고 해석해야 할 수 있고, 또한 기타 출처(예를 들면, GPS 장치, 속력 센서, 가속도계, 서스펜션 센서 등)로부터 획득한 정보를 이용할 수도 있다. 동시에, 자율주행차는, 목적지로 주행하기 위하여, 특정 도로 내의 위치(예를 들면, 다차선 도로상의 차선)를 식별하고, 다른 차량과 나란히 주행하고, 장애물과 보행자를 회피하고, 신호등과 도로표지판을 관찰하고, 적절한 교차로나 분기점에서 한 도로에서 다른 도로로 이동할 필요가 있을 수도 있다. 목적지로 이동하면서 자율주행차에 의해 수집된 방대한 양의 정보를 활용하고 해석하는 것은 설계상의 매우 어려운 숙제이다. 자율주행차가 분석, 접근 및/또는 저장해야 하는 데이터(예를 들면, 캡처 된 이미지 데이터, 지도 데이터, GPS 데이터, 센서 데이터 등)의 용량만으로도 자율 주행에 실제로 제한이 되거나 심지어 악영향을 주는 문제가 발생할 수 있다. 더 나아가, 자율주행차가 기존의 지도 기술에 의존하여 주행한다면, 지도의 저장과 업데이트에 필요한 데이터의 양은 해결하기 어려운 문제이다.
지도의 업데이트를 위한 데이터 수집 외에도, 자율주행차는 항법을 위해 지도를 사용할 수 있어야 한다. 이에 따라, 지도의 구축과 전송이 최적화되어야 함은 물론이고, 지도의 크기와 내용도 최적화되어야 한다. 또한, 자율주행차는 자율주행차 탑승자의 안전과 도로상의 다른 운전자와 보행자의 안전을 보장하기 위하여 지도뿐만 아니라 자율주행차의 주변상황에 의거한 제약을 활용하여 항법을 수행해야 한다.
본 기재의 실시예들은 자율 주행을 위한 시스템과 방법을 제공한다.
본 기재의 실시예들은 자율 주행을 위한 시스템과 방법을 제공한다. 기재된 실시예는 카메라를 사용하여 자율 주행 특징을 제공할 수 있다. 예를 들면, 기재된 실시예에 따라, 기재된 시스템은 차량의 주변상황을 모니터하는 하나, 둘, 또는 그 이상의 카메라를 포함할 수 있다. 기재된 시스템은, 예를 들어, 하나 또는 그 이상의 카메라에 의해 캡처 된 이미지의 분석에 근거하여 주행 반응을 제공할 수 있다. 기재된 시스템은 또한 크라우드소스 스파스 맵(crowdsourced sparse map)의 구축과 이를 활용한 항법을 제공할 수 있다. 다른 기재된 시스템은 이미지의 연관 분석을 활용하여 위치 인식을 수행함으로써 스파스 맵을 이용한 항법을 보완할 수 있다. 상기 주행 반응은 또한, 예를 들어, GPS 데이터, 센서 데이터(예, 가속도계, 속력 센서, 서스펜션 센서 등으로부터의 데이터), 및/또는 기타 지도 데이터를 포함하는 기타 데이터를 고려할 수 있다. 끝으로, 기재된 실시예들은 다른 운전자와 보행자를 위험에 처하게 하지 않고 자율주행차의 항법을 최적화하기 위하여 안락 및 안전 제약을 활용하여 카메라, 센서, 지도 등과 같은 복수의 소스로부터의 데이터를 융합할 수 있다.
일 실시예에서, 호스트 차량에 대한 항법 시스템은 적어도 하나의 처리 장치를 포함할 수 있다. 적어도 하나의 처리 장치는 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신하고 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신하도록 프로그램 될 수 있다. 제1 데이터 소스와 제2 데이터 소스 중의 적어도 하나는 호스트 차량에 탑재된 센서를 포함할 수 있다. 적어도 하나의 처리 장치는: 제1 출력에서 타깃 물체의 묘사를 식별; 타깃 물체의 특성이 적어도 하나의 항법 제약을 촉발하는지 여부를 판단; 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 촉발되지 않은 경우, 타깃 물체의 묘사의 정체를 제1 출력과 제2 출력의 조합에 의거하여 확인; 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 촉발되는 경우, 타깃 물체의 묘사의 정체를 제1 출력에 의해 확인; 및 확인에 대응하여 호스트 차량에 적어도 하나의 항법 변경을 유발하도록 더 프로그램 될 수 있다.
일 실시예에서, 호스트 차량의 항법을 위해 컴퓨터에 의해 이행되는 방법은 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신하고 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신하는 단계를 포함할 수 있다. 제1 데이터 소스와 제2 데이터 소스 중의 적어도 하나는 호스트 차량에 탑재된 센서를 포함할 수 있다. 본 방법은: 제1 출력에서 타깃 물체의 묘사를 식별하는 단계; 타깃 물체의 특성이 적어도 하나의 항법 제약을 촉발하는지 여부를 판단하는 단계; 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 촉발되지 않은 경우, 타깃 물체의 묘사의 정체를 제1 출력과 제2 출력의 조합에 의거하여 확인하는 단계; 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 촉발되는 경우, 타깃 물체의 묘사의 정체를 제1 출력에 의해 확인하는 단계; 및 확인에 대응하여 호스트 차량에 적어도 하나의 항법 변경을 유발하는 단계를 더 포함할 수 있다.
일 실시예에서, 복수의 차량으로부터의 항법 정보를 정렬하기 위한 서버는 적어도 하나의 처리 장치를 포함할 수 있다. 적어도 하나의 처리 장치는 복수의 차량으로부터 항법 정보를 수신하도록 프로그램 될 수 있다. 복수의 차량으로부터의 항법 정보는 일반 도로 구간에 관한 것일 수 있다. 적어도 하나의 처리 장치는 항법 정보를 일반 도로 구간 현지의 좌표 시스템 이내에서 정렬하도록 더 프로그램 될 수 있다. 현지 좌표 시스템은 복수의 차량에 포함된 이미지 센서에 의해 캡처 된 복수의 이미지에 의거한 좌표 시스템을 포함할 수 있다. 적어도 하나의 처리 장치는 정렬된 항법 정보를 일반 도로 구간과 연관하여 저장하고 일반 도로 구간을 따라 한 대 이상의 자율주행차의 자율 주행에 활용되게 하기 위하여 정렬된 항법 정보를 한 대 이상의 자율주행차에 배포하도록 더 프로그램 될 수 있다.
일 실시예에서, 복수의 차량으로부터 항법 정보를 정렬하기 위한 컴퓨터에 의해 이행되는 방법은 복수의 차량으로부터 항법 정보를 수신하는 단계를 포함할 수 있다. 복수의 차량으로부터의 항법 정보는 일반 도로 구간에 관한 것일 수 있다. 본 방법은 항법 정보를 일반 도로 구간 현지의 좌표 시스템 이내에서 정렬하는 단계를 더 포함할 수 있다. 현지 좌표 시스템은 복수의 차량에 포함된 이미지 센서에 의해 캡처 된 복수의 이미지에 의거한 좌표 시스템을 포함할 수 있다. 본 방법은 정렬된 항법 정보를 일반 도로 구간과 연관하여 저장하는 단계와 일반 도로 구간을 따라 한 대 이상의 자율주행차의 자율 주행에 활용되게 하기 위하여 정렬된 항법 정보를 한 대 이상의 자율주행차에 배포하는 단계를 더 포함할 수 있다.
다른 기재된 실시예에 따라, 비일시적 컴퓨터 가독 저장 매체는 적어도 하나의 처리 장치에 의해 실행되고 여기에 기재된 방법의 어느 하나 이상을 수행하는 프로그램 명령을 저장할 수 있다.
상기의 일반적인 설명과 하기의 상세한 설명은 예시일 뿐이며 본 발명의 청구범위를 제한하지 않는다.
본 기재에 포함되고 본 기재의 일부를 구성하는 첨부 도면은 기재된 다양한 실시예를 도시한다.
도 1은 기재된 실시예에 따른 예시적인 시스템의 개략도이다.
도 2a는 기재된 실시예에 따른 시스템을 포함하는 예시적인 자동차의 측면도이다.
도 2b는 기재된 실시예에 따른 도 2a의 자동차와 시스템의 평면도이다.
도 2c는 기재된 실시예에 따른 시스템을 포함하는 자동차의 다른 실시예의 평면도이다.　
도 2d는 기재된 실시예에 따른 시스템을 포함하는 자동차의 또 다른 실시예의 평면도이다.
도 2e는 기재된 실시예에 따른 시스템을 포함하는 자동차의 또 다른 실시예의 평면도이다.
도 2f는 기재된 실시예에 따른 예시적인 자동차 제어 시스템의 개략도이다.
도 3a는 기재된 실시예에 따른 차량 이미징 시스템을 위한 백미러(rear view mirror)와 사용자 인터페이스를 포함하는 차량의 실내를 개략적으로 예시한 것이다.　
도 3b는 기재된 실시예에 따른 백미러 뒤의 차량 전면 유리에 위치되도록 구성된 카메라 마운트의 일례이다.
도 3c는 기재된 실시예에 따른 도 3b의 카메라 마운트를 다른 시각에서 예시한 것이다.
도 3d는 기재된 실시예에 따른 백미러 뒤의 차량 전면 유리에 위치되도록 구성된 카메라 마운트의 일례이다.
도 4는 기재된 실시예에 따른 하나 이상의 동작의 수행을 위한 명령을 저장하도록 구성된 메모리의 예시적인 구성도이다.　
도 5a는 기재된 실시예에 따른 단안 이미지 분석에 근거한 하나 이상의 항법 반응을 야기하는 프로세스의 일례를 예시한 순서도이다.
도 5b는 기재된 실시예에 따른 일련의 영상에서 하나 이상의 차량 및/또는 보행자를 검출하는 예시적인 프로세스를 도시한 순서도이다.
도 5c는 기재된 실시예에 따른 일련의 영상에서 도로 표시 및/또는 차선 형상 정보를 검출하는 예시적인 프로세스를 도시한 순서도이다.
도 5d는 기재된 실시예에 따른 일련의 영상에서 신호등을 검출하는 예시적인 프로세스를 도시한 순서도이다.
도 5e는 기재된 실시예에 따른 차량 경로에 근거한 하나 이상의 항법 반응을 야기하는 예시적인 프로세스를 도시한 순서도이다.
도 5f는 기재된 실시예에 따른 선두 차량이 차선 변경을 하는지를 판단하는 예시적인 프로세스를 도시한 순서도이다.
도 6은 기재된 실시예에 따른 입체 영상 분석에 근거한 하나 이상의 항법 반응을 야기하는 예시적인 프로세스를 도시한 순서도이다.
도 7은 기재된 실시예에 따른 3개 집합의 영상에 근거한 하나 이상의 항법 반응을 야기하는 예시적인 프로세스를 도시한 순서도이다.　
도 8a는 기재된 실시예에 따른 도로 구간의 일부의 다항식 표현을 예시한 것이다.
도 8b는 기재된 실시예에 따른 스파스 맵에 포함된, 특정 도로 구간에서의, 차량의 목표 궤적을 나타내는 3차원 공간의 곡선을 예시한 것이다.
도 9a는 기재된 실시예에 따른 궤적들의 다항식 표현을 예시한 것이다.
도 9b와 도 9c는 기재된 실시예에 따른 다차선 도로상의 목표 궤적들을 예시한 것이다.
도 9d는 기재된 실시예에 따른 도로 특징 프로필의 일례를 예시한 것이다.
도 10은 기재된 실시예에 따른 복수의 3차원 스플라인(spline)으로 표현된 자율주행차 도로 항법 모델의 일례를 예시한 것이다.
도 14는 기재된 실시예에 따른 여러 운행으로부터 위치 정보를 조합하여 생성된 맵 스켈레톤(map skeleton)을 예시한 것이다.
도 12는 기재된 실시예에 따른 하나 이상의 동작을 수행하기 위한 명령을 저장하도록 구성된 메모리의 예시적인 구성도이다.
도 13a와 도 13b는 기재된 실시예에 따른 예시적인 안전 제약과 안락 제약을 도시한 것이다.
도 13c와 도 13d는 기재된 실시예에 따른 예시적인 안전 제약과 안락 제약을 추가로 도시한 것이다.
도 14는 기재된 실시예에 따른 안전 제약과 안락 제약에 의거한 호스트 차량의 항법을 위한 예시적인 프로세스를 도시한 순서도이다.
도 15는 기재된 실시예에 따른 하나 이상의 동작을 수행하기 위한 명령을 저장하도록 구성된 메모리의 예시적인 구성도이다.
도 16은 기재된 실시예에 따른 여러 운행으로부터 항법 정보를 조합하여 생성된 예시적인 도로 데이터 및 도로 데이터로부터 생성된 예시적인 글로벌 지도를 도시한 것이다.
도 17은 기재된 실시예에 따른 복수의 차량으로부터의 항법 정보를 정렬하기 위한 예시적인 프로세스를 도시한 순서도이다.
하기의 상세한 설명은 첨부한 도면에 관한 것이다. 가능한 모든 경우에, 도면과 설명에서 동일 또는 유사한 구성요소에 동일한 참조 번호를 사용한다. 여러 예시적인 실시예를 설명하였지만, 다양한 수정, 응용, 구현 등이 가능하다. 예를 들어, 도면에 예시된 구성요소를 치환, 또는 추가, 수정할 수 있고, 설명에 포함된 방법은 단계를 치환하거나 순서를 바꾸거나 추가하여 수정할 수 있다. 따라서, 하기의 상세한 설명은 기재한 실시예와 예시에 국한되지 않고, 본 발명의 청구 범위는 첨부한 청구항에 의해 정의된다.
자율주행차의 개요
본 기재에서 사용된 "자율주행차"라는 용어는 운전자의 입력 없이 적어도 하나의 주행 변경을 구현할 수 있는 차량을 의미한다. "주행 변경"이란 차량의 조향, 제동, 가속의 하나 이상을 변경하는 것을 의미한다. 차량이 자율이기 위해서는 완전 자동(예, 운전자나 운전자의 입력 없이 완전히 동작)일 필요는 없다. 반면, 자율주행차는 특정 시간 동안은 운전자의 제어 하에 작동할 수 있고 다른 시간 동안은 운전자의 제어 없이 작동할 수 있는 차량을 포함한다. 자율주행차는 조향(예, 차량 진로의 차선 사이 유지)과 같은 일부 주행 양상만을 제어하고 나머지 양상(예, 제동)은 운전자에게 맡기는 차량도 포함할 수 있다. 일부 경우에, 자율주행차는 차량의 제동 및/또는 속도 제어, 조향의 일부 또는 모든 양상을 처리할 수 있다.
운전자들은 차량을 제어하기 위해 흔히 시각적 신호와 관찰에 의존하므로, 교통 인프라는 이에 따라 구축되어, 차로 표시, 교통 표지, 신호등이 모두 운전자들에게 시각적 정보를 제공하도록 설계되었다. 교통 인프라의 이러한 설계 특징을 고려하여, 자율주행차는 카메라 및 차량의 주변으로부터 확보한 시각적 정보를 분석하는 처리부를 포함할 수 있다. 시각적 정보는, 예를 들어, 운전자가 눈으로 확인할 수 있는 교통 인프라의 구성요소(예, 차로 표시, 교통 표지, 신호등 등) 및 기타 장애물(예, 다른 차량, 보행자, 잔해 등)을 포함할 수 있다. 또한, 자율주행차는 주행 시에 차량 주변상황의 모델을 제공하는 정보와 같은 저장 정보도 사용할 수 있다. 예를 들어, 차량은 이동 중의 차량 주변상황과 관련된 정보를 제공하기 위하여 GPS 데이터, 센서 데이터(예, 가속도계, 속력 센서, 서스펜션 센서 등으로부터의 데이터), 및/또는 기타 지도 데이터를 활용할 수 있고, 차량(다른 차량도 함께)은 이런 정보를 이용하여 차량의 위치를 모델 상에서 알아낼 수 있다.
본 기재의 일부 실시예에서, 자율주행차는 항법 중에 확보된 정보(카메라, GPS 장치, 가속도계, 속력 센서, 서스펜션 센서 등으로부터의 정보)를 활용할 수 있다. 다른 실시예에서, 자율주행차는 항법 중에 자율주행차(또는 다른 차량)에 의해 과거 항법으로부터 확보된 정보를 활용할 수 있다. 또 다른 실시예에서, 자율주행차는 항법 중에 확보된 정보와 과거 항법으로부터 확보된 정보의 조합을 활용할 수 있다. 이하, 기재된 실시예에 따른 시스템의 개요를 설명하고, 전방 이미징 시스템의 개요와 전방 이미징 시스템에 따른 방법을 설명하기로 한다. 이후, 자율주행을 위한 스파스맵(sparse map)을 구축, 활용, 업데이트하는 시스템 및 방법에 대해 설명한다.
시스템 개요
도 1은 예시적으로 기재된 실시예에 따른 시스템(100)의 구성도이다. 시스템(100)은 특정 이행의 요구 조건에 따라 다양한 구성요소를 포함할 수 있다. 일부 실시예에서, 시스템(100)은 처리부(110), 이미지획득부(120), 위치센서(120), 하나 이상의 메모리부(140, 150), 지도 데이터베이스(160), 사용자 인터페이스(170), 무선 송수신기(172)를 포함할 수 있다. 처리부(110)는 하나 이상의 처리 장치를 포함할 수 있다. 일부 실시예에서, 처리부(110)는 애플리케이션 프로세서(180), 이미지 프로세서(190), 또는 기타 적합한 처리 장치를 포함할 수 있다. 이와 마찬가지로, 이미지획득부(120)는 특정 애플리케이션의 요구 조건에 따라 여러 개의 이미지 획득 장치 및 소자를 포함할 수 있다. 일부 실시예에서, 이미지획득부(120)는 이미지캡처장치(122, 124, 126)와 같은 하나 이상의 이미지캡처장치(예, 카메라)를 포함할 수 있다. 시스템(100)은 또한 처리 장치(110)와 이미지 획득 장치(120)를 서로 통신하도록 연결하는 데이터 인터페이스(128)를 포함할 수 있다. 예를 들어, 데이터 인터페이스(128)는 이미지 획득 장치(120)가 획득한 이미지 데이터를 처리부(110)로 전송하기 위한 단수 또는 복수의 유선 및/또는 무선 링크를 포함할 수 있다.
무선 송수신기(172)는 무선주파수, 또는 적외선주파수, 자기장, 전기장을 사용하여 무선 인터페이스를 통하여 전파를 하나 이상의 네트워크(예, 이동통신, 인터넷 등)와 주고받도록 구성된 하나 이상의 장치를 포함할 수 있다. 무선 송수신기(172)는 공지의 표준(예, Wi- Fi, Bluetooth®, Bluetooth Smart, 802.15.4, ZigBee 등)을 사용하여 데이터를 송신 및/또는 수신할 수 있다. 이러한 송신은 호스트 차량으로부터 하나 이상의 원격 서버로의 통신을 포함할 수 있다. 이러한 송신은 또한, 호스트 차량과 호스트 차량의 주변환경에 있는 한 대 이상의 타깃 차량 사이의 (일방 또는 쌍방) 통신(예, 호스트 차량의 주변환경에 있는 타깃 차량을 고려한/또는 타깃 차량과 함께 호스트 차량의 주행을 조정하기 위함) 또는 전송 차량의 주변에 있는 불특정 수신자에게 보내는 방송도 포함할 수 있다.
애플리케이션 프로세서(180)와 이미지 프로세서(190)는 모두 다양한 종류의 처리 장치를 포함할 수 있다. 예를 들어, 애플리케이션 프로세서(180)와 이미지 프로세서(190) 중 하나 또는 모두는 마이크로프로세서, 전처리 장치(예, 이미지 전처리 장치), 그래픽 처리 장치(GPU), 중앙 처리 장치(CPU), 보조 회로, 디지털 신호 처리 장치, 집적 회로, 메모리, 또는 애플리케이션을 실행하고 이미지를 처리 및 분석하기에 적합한 기타 모든 유형의 장치를 포함할 수 있다. 일부 실시예에서, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 단일 또는 멀티 코어 프로세서, 모바일 장치 마이크로컨트롤러, 중앙 처리 장치의 한 종류를 포함할 수 있다. Intel®, AMD® 등과 같은 업체가 제공하는 프로세서들 또는 NVIDIA®, ATI® 등과 같은 업체가 제공하는 GPU들을 포함하는 다양한 처리 장치들이 사용될 수 있으며, 다양한 아키텍처(예, x86 프로세서, ARM® 등)가 포함될 수 있다.
일부 실시예에서, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 Mobileye®가 제공하는 EyeQ 시리즈의 프로세서 칩을 포함할 수 있다. 이러한 프로세서 설계는 로컬 메모리와 명령 집합을 가진 다중 처리 장치를 포함한다. 이러한 프로세서는 복수의 이미지 센서로부터 이미지 데이터를 수신하는 비디오 인풋을 포함할 수 있고 비디오 아웃풋 기능도 포함할 수 있다. 일례로, EyeQ2®는 332Mhz로 작동하는 90nm-마이크론 기술을 사용한다. EyeQ2® 아키텍처는 두 개의 부동 소수점(floating point) 하이퍼 스레드(hyper-thread) 32비트 RISC CPU(MIPS32® 34K® cores), 다섯 개의 Vision Computing Engines (VCE), 세 개의 Vector Microcode Processors(VMP®), Denali 64비트 Mobile DDR Controller, 128비트 내부 Sonics Interconnect, 듀얼 16비트 비디오 인풋 및 18비트 비디오 아웃풋 제어 장치, 16채널 DMA 및 여러 주변 장치로 구성된다. MIPS34K CPU는 다섯 개의 VCE와 세 개의 VMP??, DMA, 두 번째 MIPS34K CPU, 다중 채널 DMA, 및 기타 주변 장치를 관리한다. 다섯 개의 VCE, 세 개의 VMP® 및 MIPS34K CPU는 다기능 묶음 애플리케이션이 요구하는 집중 시각 연산(intensive vision computations)을 수행할 수 있다. 다른 일례에서, EyeQ2®보다 6배 강력한 3세대 프로세서인 EyeQ3®가 실시예에 사용될 수 있다. 다른 일례에서, EyeQ4® 및/또는 EyeQ5®가 기재된 실시예에 사용될 수 있다. 물론, 신형 또는 미래의 EyeQ 처리 장치도 기재된 실시예와 함께 사용될 수 있다.
여기에 기재된 처리 장치는 각각 특정한 기능을 수행하도록 구성될 수 있다. 특정한 기능을 수행하도록 상기의 EyeQ 프로세서 또는 기타 제어 장치 또는 마이크로프로세서와 같은 처리 장치를 구성하는 것은 컴퓨터 실행 명령을 프로그램하고 이러한 명령을 처리 장치가 작동하는 동안에 처리 장치에 제공하여 실행하도록 하는 것을 포함할 수 있다. 일부 실시예에서, 처리 장치를 구성하는 것은 구조적 명령으로 처리 장치를 직접 프로그램하는 것을 포함할 수 있다. 예를 들어, 필드 프로그램 게이트 어레이(FPGA), 주문형 시스템 반도체(ASIC) 등과 같은 처리 장치가 하나 이상의 하드웨어 기술 언어(HDL) 등을 활용하여 구성될 수 있다.
다른 실시예에서, 처리 장치를 구성하는 것은 작동 중에 처리 장치에 접속 가능한 메모리에 실행을 위한 명령을 저장하는 것을 포함할 수 있다. 예를 들어, 처리 장치는 작동 중에 메모리에 접속하여 저장된 명령을 획득하고 실행할 수 있다. 어느 경우이든, 여기에 기재된 검출, 이미지 분석, 및/또는 주행 기능을 수행하도록 구성된 처리 장치는 호스트 차량의 복수의 하드웨어 기반 구성요소를 제어하는 특화된 하드웨어 기반 시스템을 나타낸다.
도 1에는 두 개의 처리 장치가 처리부(110)에 포함된 것을 예시하였지만, 이보다 많거나 적은 처리 장치가 사용될 수 있다. 예를 들면, 일부 실시예에서, 애플리케이션 프로세서(180)와 이미지 프로세서(190)의 작업을 수행하기 위하여 단일 처리 장치를 사용할 수 있다. 다른 실시예에서, 이러한 작업은 2개 이상의 처리 장치를 사용하여 수행될 수 있다. 또한, 일부 실시예에서, 시스템(100)은 하나 이상의 처리부(110)을 포함하되 이미지획득부(120) 등과 같은 다른 구성요소를 포함하지 않을 수도 있다.
처리부(110)는 다양한 유형의 장치를 포함할 수 있다. 예를 들어, 처리부(110)는 제어 장치, 이미지 전처리 장치, 중앙 처리 장치(CPU), 그래픽 처리 장치(GPU), 보조 회로, 디지털 신호 처리 장치, 집적 회로, 메모리, 또는 이미지의 처리 및 분석을 위한 기타 유형의 장치 등과 같은 다양한 장치를 포함할 수 있다. 이미지 전처리 장치는 이미지 센서로부터 이미지를 캡처, 디지털화, 처리하기 위한 이미지 프로세서를 포함할 수 있다. CPU는 단수 또는 복수의 마이크로컨트롤러 또는 마이크로프로세서를 포함할 수 있다. GPU도 단수 또는 복수의 마이크로컨트롤러 또는 마이크로프로세서를 포함할 수 있다. 보조 회로는 캐시, 전원, 클락, 입/출력 회로 등과 같이 본 발명의 분야에서 일반적으로 공지된 단수 또는 복수의 회로를 포함할 수 있다. 메모리는 처리 장치에 의해 실행될 때 시스템의 동작을 제어하는 소프트웨어를 저장할 수 있다. 메모리는 단수 또는 복수의 RAM(random access memory), ROM(read only memory), 플래시 메모리, 디스크 드라이브, 광 저장 장치, 테이프 저장 장치, 탈착형 저장 장치, 및 기타 유형의 저장 장치를 포함할 수 있다. 일례에서, 메모리는 처리부(110)와 분리되어 있을 수 있다. 다른 예에서, 메모리는 처리부(110)와 일체로 구성될 수 있다.　
메모리(140, 150) 각각은 처리 장치(예, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190))에 의해 실행되는 경우에 시스템(100)의 다양한 측면의 동작을 제어할 수 있는 소프트웨어 명령을 포함할 수 있다. 이러한 메모리 장치는 다양한 데이터베이스 및 이미지 처리 소프트웨어뿐만 아니라, 예를 들어, 신경망(neural network), 심층 신경망(deep neural network)과 같은 학습 시스템(trained system)을 포함할 수 있다. 이러한 메모리 장치는 RAM, ROM, 플래시 메모리, 디스크 드라이브, 광 저장 장치, 테이프 저장 장치, 탈착형 저장 장치 및/또는 기타 유형의 저장 장치를 포함할 수 있다. 일부 실시예에서, 메모리 장치(140, 150)는 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)와 분리되어 있을 수 있다. 다른 실시예에서, 이러한 메모리 장치는 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)와 일체로 구성될 수 있다.
위치센서(130)는 시스템(100)의 적어도 한 구성요소와 연관된 위치를 판단하기에 적합한 유형의 장치를 포함할 수 있다. 일부 실시예에서, 위치센서(130)는 GPS 수신기를 포함할 수 있다. 이러한 수신기는 GPS 위성이 송신하는 신호를 처리하여 사용자의 위치와 속도를 판단할 수 있다. 위치센서(130)로부터의 위치 정보는 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)로 제공될 수 있다.
일부 실시예에서, 시스템(100)은 차량(200)의 속도를 측정하기 위한 속력 센서(예, 회전속도계, 속도계) 및/또는 차량(200)의 가속을 측정하기 위한 가속도계(단축 또는 다축)를 포함할 수 있다.
사용자 인터페이스(170)는 시스템(100)의 하나 이상의 사용자에게 정보를 제공하고 사용자로부터 입력을 수신하기 적합한 장치를 포함할 수 있다. 일부 실시예에서, 사용자 인터페이스(170)는 예를 들어 터치스크린, 마이크, 키보드, 포인터 장치, 트랙휠, 카메라, 노브, 버튼 등의 사용자 입력 장치를 포함할 수 있다. 이러한 입력 장치는 사용자로 하여금 명령 또는 정보를 타이핑하거나, 음성 명령을 제공하거나, 버튼, 포인터, 또는 눈동자 추적 기능을 사용하여 화면 상의 메뉴를 선택하거나, 시스템(100)과 정보를 교환하기 위한 기타 적합한 기술을 통하여 시스템(100)에 정보 입력 또는 명령을 제공할 수 있게 해준다.
사용자 인터페이스(170)는 사용자에게 정보를 제공하고 사용자로부터 정보를 수신하며 이러한 정보를 예를 들어 애플리케이션 프로세서(180)가 사용하게 처리하도록 구성된 하나 이상의 처리 장치를 구비할 수 있다. 일부 실시예에서, 이러한 처리 장치는 눈동자의 움직임을 인식 및 추적하고, 음성 명령을 수신 및 해석하고, 터치스크린 상의 터치 및/또는 제스처를 인식 및 해석하고, 키보드 입력 또는 메뉴 선택에 응답하는 등을 위한 지시를 수행할 수 있다. 일부 실시예에서, 사용자 인터페이스(170)는 디스플레이, 스피커, 촉감 장치, 및/또는 사용자에게 출력 정보를 제공하는 기타 장치를 포함할 수 있다.
지도 데이터베이스(160)는 시스템(100)에서 사용 가능한 지도 데이터를 저장하기 위한 모든 유형의 데이터베이스를 포함할 수 있다. 일부 실시예에서, 지도 데이터베이스(160)는 도로, 하천 지형, 지리적 지형, 사업체, 관심 지점, 식당, 주유소 등의 다양한 항목의 기준 좌표계 상 위치와 관련된 데이터를 포함할 수 있다. 지도 데이터베이스(160)는 이런 항목의 위치뿐만 아니라, 예를 들면, 저장된 지점 관련 명칭 등을 포함하는 설명을 저장할 수 있다. 일부 실시예에서, 지도 데이터베이스(160)는 시스템(100)의 다른 구성요소와 함께 물리적으로 배치될 수 있다. 대안적으로, 또는 추가적으로, 지도 데이터베이스(160) 또는 지도 데이터베이스(160)의 일부는 시스템(100)의 다른 구성요소(예, 처리부(110))에 대하여 원격으로 배치될 수 있다. 이 경우, 지도 데이터베이스(160)로부터의 정보는 네트워크와의 유선 또는 무선 데이터 연결(예, 이동통신망 및/또는 인터넷 등)을 통하여 다운로드 될 수 있다. 일부의 경우, 지도 데이터베이스(160)는 특정 도로 특징(예, 차로 표시) 또는 호스트 차량의 목표 궤적의 다항식(polynomial) 표현을 포함하는 스파스 데이터 모델을 저장할 수 있다. 이러한 지도를 생성하는 시스템 및 방법은 하기에 도 8 내지 도 19를 참조하여 설명한다.
이미지캡처장치(122, 124, 126)는 각각 주변 환경으로부터 적어도 하나의 이미지를 캡처하기에 적합한 유형의 장치를 포함할 수 있다. 또한, 이미지 프로세서로의 입력에 필요한 이미지를 캡처하기 위하여 여러 개의 이미지캡처장치를 사용할 수 있다. 일부 실시예는 단일 이미지캡처장치를 포함할 수 있는 반면, 다른 실시예는 두 개, 세 개, 또는 4개 이상의 이미지캡처장치를 포함할 수 있다. 이미지캡처장치(122, 124, 126)는 도 2b 내지 도 2e를 참조하여 하기에 추가로 설명한다.
시스템(100), 혹은 시스템(100)의 다양한 구성요소는 다양한 플랫폼에 구현될 수 있다. 일부 실시예에서, 시스템(100)은, 도 2a에 예시된 바와 같이, 차량(200)에 포함될 수 있다. 예를 들면, 차량(200)에는 도 1에 설명한 처리부(110) 및 시스템(100)의 기타 구성요소가 구비될 수 있다. 일부 실시예의 차량(200)에는 단일 이미지캡처장치(예, 카메라)만 구비될 수 있는 반면, 다른 실시예의 차량에는, 도 2b 내지 도 2e에 예시된 바와 같이, 여러 개의 이미지캡처장치가 사용될 수 있다. 예를 들어, 도 2a에 예시된 차량(200)의 이미지캡처장치(122, 124)는 첨단 운전자 지원 시스템(Advanced Driver Assistance Systems; ADAS) 이미징 세트의 일부일 수 있다.
이미지획득부(120)의 일부로서 차량(200)에 포함된 이미지캡처장치는 적합한 장소에 위치될 수 있다. 일부 실시예에서, 도 2a 내지 도 2e, 도 3a 내지 도 3c에 도시된 바와 같이, 이미지캡처장치(122)는 백미러 주위에 배치될 수 있다. 이 위치는 차량(200)의 운전자와 유사한 시선을 제공할 수 있으며, 이에 따라 운전자에게 보이는 것과 보이지 않는 것을 판단하는데 도움이 될 수 있다. 이미지캡처장치(122)는 백미러 주변의 임의의 위치에 배치될 수 있지만, 백미러의 운전자 측에 이미지캡처장치(122)를 배치하면 운전자의 시야 및/또는 시선을 나타내는 이미지를 획득하는데 더욱 도움이 될 수 있다.
이미지획득부(120)의 이미지캡처장치는 다른 위치에 배치될 수도 있다. 예를 들면, 이미지캡처장치(124)는 차량(200)의 범퍼 내부 또는 상에 배치될 수 있다. 이런 위치는 광시야를 가진 이미지캡처장치에 특히 적합할 수 있다. 범퍼에 위치한 이미지캡처장치의 시선은 운전자의 시선과 다를 수 있기 때문에 범퍼에 위치한 이미지캡처장치와 운전자는 항상 같은 대상을 보는 것이 아닐 수 있다. 이미지캡처장치(예, 122, 124, 126)는 또한, 다른 위치에 배치될 수 있다. 예를 들어, 이미지캡처장치는 차량(200)의 일측 또는 양측의 사이드미러 상 또는 내부에, 차량(200)의 지붕 상에, 차량(200)의 보닛 상에, 차량(200)의 측면에, 차량(200)의 윈도우 상, 후면 또는 전면에, 차량(200)의 전면 및/또는 후면 등화장치 상에 또는 주변 등의 위치에 배치될 수 있다.
차량(200)은 이미지캡처장치 외에도 시스템(100)의 다양한 기타 구성요소를 포함할 수 있다. 예를 들면, 처리부(110)는 차량(200)의 엔진제어장치(engine control unit, ECU)와 일체 또는 분리된 형태로 차량(200)에 포함될 수 있다. 차량(200)은 또한, GPS 수신기 등과 같은 위치센서(130), 지도 데이터베이스(160), 메모리부(140, 150)도 포함할 수 있다.
앞서 설명한 바와 같이, 무선 송수신기(172)는 하나 이상의 네트워크(예, 이동통신망, 인터넷 등)를 통하여 데이터를 송신 및/또는 수신할 수 있다. 예를 들어, 무선 송수신기(172)는 시스템(100)이 수집한 데이터를 하나 이상의 서버로 업로드하고 하나 이상의 서버로부터 데이터를 다운로드할 수 있다. 시스템(100)은 무선 송수신기(172)를 통하여, 예를 들어, 지도 데이터베이스(160) 및/또는 메모리(140, 150)에 저장된 데이터의 주기적 또는 일시적 업데이트를 수신할 수 있다. 마찬가지로, 무선 송수신기(172)는 시스템(100)으로부터의 데이터(예, 이미지획득부(120)가 캡처한 이미지, 위치센서(130), 기타 센서, 또는 차량 제어 시스템이 수신한 데이터 등) 및/또는 처리부(110)에 의해 처리된 데이터를 하나 이상의 서버에 업로드할 수 있다.　
시스템(100)은 개인정보보호 설정에 근거하여 서버(예, 클라우드)로 데이터를 업로드할 수 있다. 예를 들면, 시스템(100)은 개인정보보호 설정을 이행하여 서버로 보내지는 차량과 차량의 운전자/소유자를 개별적으로 확인해주는 데이터(메타데이터 포함)의 유형을 규제 또는 제한할 수 있다. 이런 설정은, 예를 들어, 사용자에 의해 무선 송수신기(172)를 통해 설정되거나, 공장설정으로 초기화되거나, 무선 송수신기(172)가 수신한 데이터에 의해 설정될 수 있다.
일부 실시예에서, 시스템(100)은 "높은" 개인정보보호 수준에 의거하여 데이터를 업로드할 수 있으며, 이렇게 설정하면 시스템(100)은 특정 차량 및/또는 운전자/소유자 정보 없이 데이터(예, 경로 관련 위치정보, 캡처 이미지 등)를 전송할 수 있다. 예를 들어, "높은" 개인정보보호 수준에 의거하여 데이터를 업로드할 경우, 시스템(100)은 차대번호 또는 차량 운전자 또는 소유자의 이름을 포함하지 않을 수 있고, 그 대신 캡처 이미지 및/또는 경로와 관련된 제한된 위치 정보 등의 데이터를 전송할 수 있다.
다른 개인정보보호 수준도 가능하다. 예를 들어, 시스템(100)은 "중간" 개인정보보호 수준에 의거하여 서버로 데이터를 전송할 수 있으며, 이 경우, "높은" 개인정보보호 수준하에서 포함되지 않은 차량의 제조사 및/또는 모델 및/또는 차량 종류(예, 승용차, SUV, 트럭 등) 등의 추가 정보를 포함할 수 있다. 일부 실시예에서, 시스템(100)은 "낮은" 개인정보보호 수준에 의거하여 데이터를 업로드할 수 있다. "낮은" 개인정보보호 수준 하에서, 시스템(100)은 개별 차량, 소유자/운전자, 및/또는 차량이 이동한 전체 또는 일부 경로 등을 특정할 수 있는 정보를 포함하는 데이터를 업로드할 수 있다. 이러한 "낮은" 개인정보보호 수준 데이터는 예를 들어, 차대번호, 운전자/소유자 이름, 차량의 출발점, 차량의 목적지, 차량의 제조사 및/또는 모델, 차량의 종류 등을 포함할 수 있다.
도 2a는 기재된 실시예에 따른 차량 이미징 시스템의 일례의 측면도이다. 도 2b는 도 2a에 도시된 실시예의 평면도이다. 도 2b에 도시된 바와 같이, 본 실시예에 따른 차량(200)은 백미러 주변 및/또는 운전자 가까이 배치된 제1 이미지캡처장치(122), 범퍼 영역(예, 범퍼 영역(210)의 일 영역) 상 또는 내부에 배치된 제2 이미지캡처장치(124), 및 처리부(110)를 구비한 시스템(100)을 차체 내부에 포함한다.
도 2c에 도시된 바와 같이, 이미지캡처장치(122, 124)는 모두 차량(200)의 백미러 주변 및/또는 운전자 가까이 배치될 수 있다. 또한, 도 2b와 2c에는 이미지캡처장치(122, 124)가 두 개로 예시되었지만, 다른 실시예에서는 세 개 이상의 이미지캡처장치가 포함될 수 있음은 당연할 것이다. 예를 들어, 도 2d와 2e에 도시된 실시예에서는, 제1, 제2, 제3 이미지캡처장치(122, 124, 126)가 차량(200)의 시스템(100)에 포함되어 있다.
도 2d에 도시된 바와 같이, 이미지캡처장치(122)는 차량(200)의 백미러 주변 및/또는 운전자 가까이 배치될 수 있고, 이미지캡처장치(124, 126)는 차량(200)의 범퍼 영역(예, 범퍼 영역(210)의 일 영역) 상 또는 내부에 배치될 수 있다. 또한, 도 2e에 도시된 바와 같이, 이미지캡처장치(122, 124, 126)는 차량(200)의 백미러 주변 및/또는 운전자 가까이 배치될 수 있다. 본 실시예는 특정 수량 및 구성의 이미지캡처장치에 제한되지 않고, 이미지캡처장치는 차량의 내부 및/또는 상의 적절한 모든 위치에 배치될 수 있다.
기재된 실시예들은 차량에 한정되는 것이 아니라 당연히 다른 상황에도 적용될 수 있다. 또한, 기재된 실시예들은 특정 유형의 차량(200)에 한정되는 것이 아니라, 당연히 자동차, 트럭, 트레일러, 및 기타 유형의 차량 등, 모든 유형의 차량에 적용될 수 있다.
제1 이미지캡처장치(122)는 적합한 유형의 이미지캡처장치를 포함할 수 있다. 이미지캡처장치(122)는 광축을 포함할 수 있다. 일례에서, 이미지캡처장치(122)는 글로벌 셔터 방식의 Aptina M9V024 WVGA 센서를 포함할 수 있다. 다른 실시예에서, 이미지캡처장치(122)는 1280x960 픽셀의 해상도를 제공하고 롤링 셔터 방식을 포함할 수 있다. 이미지캡처장치(122)는 다양한 광학 소자를 포함할 수 있다. 일부 실시예에서, 하나 이상의 렌즈를 포함하여 이미지캡처장치가 요구하는 초점거리 및 시야 등을 제공할 수 있다. 일부 실시예에서, 이미지캡처장치(122)는 6mm 렌즈 또는 12mm 렌즈와 결합될 수 있다. 일부 실시예에서, 이미지캡처장치(122)는, 도 2d에 도시된 바와 같이, 필요한 시야(202)를 확보하도록 구성될 수 있다. 예를 들면, 이미지캡처장치(122)는, 46도 시야, 50도 시야, 52도 또는 그 이상의 시야 등과 같은, 40 내지 56도 범위의 일반 시야를 확보하도록 구성될 수 있다. 또는, 이미지캡처장치(122)는, 28도 시야 또는 36도 시야 등과 같은, 23 내지 40도 범위의 좁은 시야를 확보하도록 구성될 수 있다. 또한, 이미지캡처장치(122)는 100 내지 180도 범위의 넓은 시야를 확보하도록 구성될 수 있다. 일부 실시예에서, 이미지캡처장치(122)는 광각 범퍼 카메라 또는 180도 시야까지 확보 가능한 카메라를 포함할 수 있다. 일부 실시예에서, 이미지캡처장치(122)는 약 2:1(예, HxV=3800x1900 픽셀)의 종횡비와 약 100도의 수평 시야를 가진 7.2 메가픽셀 이미지캡처장치일 수 있다. 이러한 이미지캡처장치는 3개의 이미지캡처장치 구성을 대신할 수 있다. 방사상으로 대칭인 렌즈를 사용하는 이러한 이미지캡처장치의 수직 시야는 렌즈 왜곡으로 인하여 50도 이하로 구현될 수 있다. 예를 들어, 방사상으로 비대칭인 렌즈를 사용하여 수평 시야가 100도인 경우에 수직 시야가 50도 이상이 되게 할 수 있다.
제1 이미지캡처장치(122)는 차량(200)과 관련된 장면에 대한 복수의 제1 이미지를 획득할 수 있다. 복수의 제1 이미지 각각은 롤링 셔터를 사용하여 캡처 된 연속 주사선으로 획득될 수 있다. 각 주사선은 복수의 픽셀을 포함할 수 있다.
제1 이미지캡처장치(122)는 제1연속 주사선 획득 관련 주사율을 가질 수 있다. 주사율이란 이미지 센서가 특정 주사선에 포함된 각 픽셀과 관련된 이미지 데이터를 획득하는 속도를 의미할 수 있다.
이미지캡처장치(122, 124, 126)는, 예를 들어, CCD 센서 또는 CMOS 센서와 같은, 적합한 유형과 개수의 이미지 센서를 포함할 수 있다. 일 실시예에서, 롤링 셔터 방식의 CMOS 이미지 센서를 도입하여 한 열의 각 픽셀을 하나씩 읽고, 전체 이미지 프레임이 캡처될 때까지 열별로 주사가 진행될 수 있다. 일부 실시예에서, 프레임에 대하여 각 열이 위에서 아래로 순차적으로 캡처될 수 있다.
일부 실시예에서, 여기에 기재된 하나 이상의 이미지캡처장치(122, 124, 126)는 고해상 이미저(high resolution imager)를 구성하고 5메가, 7메가, 10메가 또는 그 이상의 픽셀의 해상도를 가질 수 있다.
롤링 셔터를 사용하면, 서로 다른 열의 픽셀이 서로 다른 시간에 노출되고 캡처 될 수 있어서, 캡처 된 이미지 프레임에 왜곡(skew)과 기타 이미지 결함(artifact)이 나타날 수 있다. 반면, 이미지캡처장치(122)가 글로벌 셔터 방식 또는 동기화 셔터(synchronous shutter) 방식으로 작동하도록 구성된 경우, 모든 픽셀은 동일 시간만큼 그리고 일반적인 노출 시간 동안 노출될 수 있다. 그 결과, 글로벌 셔터 방식을 적용한 시스템에서 수집된 프레임의 이미지 데이터는 특정 시간의 전체 시야(예, 202)의 스냅샷을 나타낸다. 반면, 롤링 셔터 방식에서는, 서로 다른 시간에 한 프레임의 각 열이 노출되고 데이터가 수집된다. 따라서, 롤링 셔터 방식 이미지캡처장치의 이미지 내의 움직이는 물체는 왜곡돼 보일 수 있다. 이 현상에 대해서는 하기에서 더 자세히 설명한다.
제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 적합한 유형의 이미지캡처장치일 수 있다. 제1 이미지캡처장치(122)와 마찬가지로, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 광축을 포함할 수 있다. 일 실시예에서, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 글로벌 셔터 방식의 Aptina M9V024 WVGA 센서를 포함할 수 있다. 또는, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 롤링 셔터 방식을 포함할 수 있다. 제1 이미지캡처장치(122)와 마찬가지로, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 각각 다양한 렌즈와 광학 소자를 포함하도록 구성될 수 있다. 일부 실시예에서, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)와 관련된 렌즈는 제1 이미지캡처장치(122)와 관련된 시야(예, 202)와 동일하거나 이보다 좁은 시야(204, 206)를 제공할 수 있다. 예를 들어, 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)의 시야는 각각 40도, 30도, 26도, 20도, 또는 그 이하일 수 있다.
제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 차량(200)과 관련된 장면에 대한 복수의 제2 및 제3 이미지를 획득할 수 있다. 복수의 제2 및 제3 이미지 각각은 롤링 셔터를 사용하여 캡처 된 제2 및 제3연속 주사선으로 획득될 수 있다. 각 주사선 또는 열은 복수의 픽셀을 포함할 수 있다. 제2 이미지캡처장치(124)와 제3 이미지캡처장치(126)는 제2 및 제3연속 주사선 획득 관련 제2 및 제3 주사율을 가질 수 있다.
이미지캡처장치(122, 124, 126)는 각각 차량(200)의 적합한 위치와 자세로 배치될 수 있다. 이미지캡처장치(122, 124, 126)의 상대적 배치는 이미지캡처장치로부터 획득된 정보의 융합이 용이하도록 선택될 수 있다. 예를 들어, 일부 실시예에서, 제2 이미지캡처장치(124)의 시야(예, 204)는 제1 이미지캡처장치(122)의 시야(예, 202) 및 제3 이미지캡처장치(126)의 시야(예, 206)와 부분적으로 또는 완전히 겹칠 수도 있다.
이미지캡처장치(122, 124, 126)는 차량(200)의 적합한 상대 높이에 배치될 수 있다. 일례에서, 이미지캡처장치(122, 124, 126) 사이의 높이에 차이를 두어 입체 분석을 가능하게 하는 시차 정보를 제공할 수 있다. 예를 들면, 도 2a에 도시된 바와 같이, 이미지캡처장치(122)와 이미지캡처장치(124)는 서로 높이가 다르다. 이미지캡처장치(122, 124, 126) 사이에 횡방향 변위 차이도 있어 처리부(110) 등에 의한 입체 분석을 위한 추가 시차 정보도 제공할 수 있다. 도 2c와 도 2d에 도시된 바와 같이, 횡방향 변위의 차이는 dx로 표시될 수 있다. 일부 실시예에서, 이미지캡처장치(122, 124, 126) 사이에 전방 또는 후방 변위(예, 범위 변위)가 있을 수 있다. 예를 들어, 이미지캡처장치(122)는 이미지캡처장치(124) 및/또는 이미지캡처장치(126)의 0.5 내지 2미터 후방에 배치될 수 있다. 이런 유형의 변위로 인해, 이미지캡처장치 중 하나가 나머지 이미지캡처장치의 사각 지대를 보완할 수 있다.
이미지캡처장치(122)는 적합한 해상도(예, 이미지 센서 관련 픽셀 수)를 가질 수 있고, 이미지캡처장치(122)와 연관된 이미지 센서의 해상도는 이미지캡처장치(124, 126)와 연관된 이미지 센서의 해상도와 비교하여 높거나, 낮거나, 같을 수 있다. 일부 실시예에서, 이미지캡처장치(122) 및/또는 이미지캡처장치(124, 126)와 연관된 이미지 센서의 해상도는 640x480, 1024x768, 1280x 960, 또는 기타 적합한 해상도일 수 있다.
프레임 속도(frame rate, 즉, 이미지캡처장치가 다음 이미지 프레임의 픽셀 데이터를 획득하기 위해 넘어가기 전에 한 이미지 프레임의 픽셀 데이터 집합을 획득하는 속도)는 제어 가능하다. 이미지캡처장치(122)의 프레임 속도는 이미지캡처장치(124, 126)의 프레임 속도보다 높거나, 낮거나, 같을 수 있다. 이미지캡처장치(122, 124, 126)의 프레임 속도는 프레임 속도의 타이밍에 영향을 주는 다양한 요인에 의거할 수 있다. 예를 들면, 하나 이상의 이미지캡처장치(122, 124, 126)는 탑재한 이미지 센서의 하나 이상의 픽셀 관련 이미지 데이터를 획득하기 전 또는 후에 부과되는 선택적 픽셀 지연 기간(selectable pixel delay period)을 포함할 수 있다. 일반적으로, 각 픽셀에 상응하는 이미지 데이터는 해당 장치의 클락 속도(clock rate)에 의거하여(예, 클락 주파수(clock cycle) 당 1 픽셀) 획득된다. 또한, 롤링 셔터 방식을 포함하는 실시예에서, 하나 이상의 이미지캡처장치(122, 124, 126)는 탑재한 이미지 센서의 한 열의 픽셀 관련 이미지 데이터를 획득하기 전 또는 후에 부과되는 선택적 수평 귀선 기간(selectable horizontal blanking period)을 포함할 수 있다. 나아가, 하나 이상의 이미지캡처장치(122, 124, 126)는 이미지 프레임 관련 이미지 데이터를 획득하기 전 또는 후에 부과되는 선택적 수직 귀선 기간(selectable vertical blanking period)을 포함할 수 있다.
이러한 타이밍 제어로 인해, 이미지캡처장치(122, 124, 126)의 선주사 속도(line scan rate)가 서로 다른 경우에도 이미지캡처장치(122, 124, 126)의 프레임 속도의 동기화가 가능하다. 또한, 하기에 더 자세히 설명하겠지만, 여러 요인(예, 이미지 센서 해상도, 최고 선주사 속도 등) 중에서 이러한 타이밍 제어로 인해, 이미지캡처장치(122)의 시야가 이미지캡처장치(124, 126)의 시야와 다른 경우에도, 이미지캡처장치(122)의 시야와 이미지캡처장치(124, 126)의 하나 이상의 시야가 겹치는 영역으로부터 캡처 된 이미지의 동기화가 가능할 수 있다.
이미지캡처장치(122, 124, 126)의 프레임 속도 타이밍은 상응하는 이미지 센서의 해상도에 의거할 수 있다. 예를 들어, 두 장치의 선주사 속도가 유사하다고 가정할 때, 한 장치의 이미지 센서의 해상도가 640 X 480이고 다른 장치의 이미지 센서의 해상도가 1280 X 960일 경우, 높은 해상도를 가진 센서로부터 이미지 데이터의 프레임을 획득하는데 더 많은 시간이 걸릴 것이다.
이미지캡처장치(122, 124, 126)의 이미지 데이터 획득 타이밍에 영향을 주는 또 다른 요인은 최고 선주사 속도(maximum line scan rate)이다. 예를 들면, 이미지캡처장치(122, 124, 126)에 포함된 이미지 센서로부터 한 열의 이미지 데이터를 획득하려면 최소 시간 이상이 걸릴 수 있다. 픽셀 지연 기간이 추가되지 않았다고 가정할 때, 한 열의 이미지 데이터를 획득하기 위한 최저 시간은 특정 장치의 최고 선주사 속도와 관계가 있을 것이다. 최고 선주사 속도가 높은 장치는 최고 선주사 속도가 낮은 장치보다 높은 프레임 속도를 제공할 가능성이 있다. 일부 실시예에서, 하나 이상의 이미지캡처장치(124, 126)의 최고 선주사 속도는 이미지캡처장치(122)의 최고 선주사 속도보다 높을 수 있다. 일부 실시예에서, 이미지캡처장치(124 및/또는 126)의 최고 선주사 속도는 이미지캡처장치(122)의 최고 선주사 속도보다 1.25배, 1.5배, 1.75배, 2배, 또는 그 이상 높을 수 있다.
다른 실시예에서, 이미지캡처장치(122, 124, 126)의 최고 선주사 속도는 모두 동일하지만, 이미지캡처장치(122)는 최고 주사 속도 이하의 주사 속도로 동작할 수 있다. 시스템은 하나 이상의 이미지캡처장치(124, 126)가 이미지캡처장치(122)의 선주사 속도와 동일한 선주사 속도로 동작하도록 구성될 수 있다. 다른 예에서, 시스템은 이미지캡처장치(124 및/또는 126)의 선주사 속도가 이미지캡처장치(122)의 선주사 속도보다 1.25배, 1.5배, 1.75배, 2배, 또는 그 이상 높도록 구성될 수 있다.
일부 실시예에서, 이미지캡처장치(122, 124, 126)는 비대칭일 수 있다. 즉, 이미지캡처장치(122, 124, 126)는 시야와 초점거리가 서로 다른 카메라를 포함할 수 있다. 이미지캡처장치(122, 124, 126)의 시야는 차량(200)의 주변상황 등과 관련된 필요 영역을 포함할 수 있다. 일부 실시예에서, 하나 이상의 이미지캡처장치(122, 124, 126)는 차량(200)의 전방, 후방, 측방, 또는 그 조합의 주변상황으로부터 이미지 데이터를 획득하도록 구성될 수 있다.
또한, 각 이미지캡처장치가 차량(200)에 대한 특정 거리 범위에 있는 물체의 이미지를 획득하도록 각 이미지캡처장치(122, 124, 126)의 초점거리가 선택될(예, 적합한 렌즈 적용) 수 있다. 예를 들어, 일부 실시예에서, 이미지캡처장치(122, 124, 126)는 차량으로부터 몇 미터 내에 있는 물체의 클로즈업 이미지를 획득할 수 있다. 이미지캡처장치(122, 124, 126)는 차량으로부터 멀리 떨어진 범위(예, 25m, 50m, 100m, 150m, 또는 그 이상)에 있는 물체의 이미지를 획득하도록 구성될 수도 있다. 또한, 한 이미지캡처장치(예, 122)는 차량과 상대적으로 가까운(예, 10m 또는 20m 이내) 물체의 이미지를 획득하고 나머지 이미지캡처장치(예, 124, 126)는 이보다 멀리 있는(예, 20m, 50m, 100m, 150m 이상) 물체의 이미지를 획득하도록 이미지캡처장치(122, 124, 126)의 초점거리가 선택될 수 있다.
일부 실시예에 의하면, 하나 이상의 이미지캡처장치(122, 124, 126)의 시야는 광각일 수 있다. 예를 들면, 차량(200) 주변 영역의 이미지를 획득하기 위해 사용되는 이미지캡처장치(122, 124, 126)의 시야는 140도일 경우가 유리할 수 있다. 예를 들어, 이미지캡처장치(122)는 차량(200)의 우측 또는 좌측 영역의 이미지를 캡처하기 위해 사용될 수 있고, 이런 실시예에서 이미지캡처장치(122)는 넓은 시야(예, 140도 이상)를 가지는 것이 바람직할 수 있다.
이미지캡처장치(122, 124, 126)의 시야는 각 초점거리에 의거할 수 있다. 예를 들어, 초점거리가 증가하면, 이에 상응하는 시야는 감소한다.
이미지캡처장치(122, 124, 126)는 적합한 시야를 가지도록 구성될 수 있다. 일례에서, 이미지캡처장치(122)의 수평 시야는 46도이고, 이미지캡처장치(124)의 수평 시야는 23도이며, 이미지캡처장치(126)의 수평 시야는 23도 내지 46도일 수 있다. 다른 예에서, 이미지캡처장치(122)의 수평 시야는 52도이고, 이미지캡처장치(124)의 수평 시야는 26도이며, 이미지캡처장치(126)의 수평 시야는 26도 내지 52도일 수 있다. 일부 실시예에서, 이미지캡처장치(122)의 시야 대 이미지캡처장치(124) 및/또는 이미지캡처장치(126)의 시야 비율은 1.5 내지 2.0일 수 있다. 다른 실시예에서, 이 비율은 1.25 내지 2.25일 수 있다.
시스템(100)은 이미지캡처장치(126)의 일부 또는 전체 시야가 이미지캡처장치(124) 및/또는 이미지캡처장치(126)의 시야와 겹치도록 구성될 수 있다. 일부 실시예에서, 시스템(100)은 이미지캡처장치(124, 126)의 시야가 이미지캡처장치(126)의 시야의 중심에 들어가고(예를 들어, 시야가 좁은 경우) 중심이 서로 맞도록 구성될 수 있다. 다른 실시예에서, 이미지캡처장치(122, 124, 126)는 인접하는 시야를 캡처하거나 인접하는 시야와 부분적으로 겹칠 수 있다. 일부 실시예에서, 이미지캡처장치(122, 124, 126)의 시야는 시야가 좁은 이미지캡처장치(124 및/또는 126)의 중심이 시야가 넓은 이미지캡처장치(122)의 시야의 하부에 배치되도록 정렬될 수 있다.
도 2f는 기재된 실시예에 따른 자동차 제어 시스템의 일례의 개략도이다. 도 2f에 도시된 바와 같이, 차량(200)은 구동 시스템(220), 제동 시스템(230), 조향 시스템(240)을 포함할 수 있다. 시스템(100)은 하나 이상의 데이터 링크(예, 데이터 송신용 유선 및/또는 무선 링크)를 통하여 구동 시스템(220), 제동 시스템(230), 조향 시스템(240) 중 하나 이상으로 입력(예, 제어신호)을 제공할 수 있다. 예를 들어, 이미지캡처장치(122, 124, 126)가 획득한 이미지의 분석에 근거하여, 시스템(100)은 차량(200)을 주행(예, 가속, 회전, 차선 변경 등)하기 위한 제어 신호를 구동 시스템(220), 제동 시스템(230), 조향 시스템(240) 중 하나 이상으로 제공할 수 있다. 또한, 시스템(100)은 차량(200)의 작동 상황(예, 속도, 제동 및/또는 회전 여부 등)을 나타내는 입력을 구동 시스템(220), 제동 시스템(230), 조향 시스템(240) 중 하나 이상으로부터 수신할 수 있다. 이에 대하여는 도 4 내지 도 7을 참조하여 하기에 자세히 설명한다.
도 3a에 도시된 바와 같이, 차량(200)은 또한 차량(200)의 운전자 또는 탑승자와 상호 작용하기 위한 사용자 인터페이스(170)를 포함한다. 예를 들어, 차량에 적용된 사용자 인터페이스(170)는 터치스크린(320), 다이얼(330), 버튼(340), 마이크(350)를 포함할 수 있다. 차량(200)의 운전자 혹은 탑승자는 또한 손잡이(예, 차량의 조향축 상 또는 주위에 배치된 방향등 손잡이 등), 버튼(예, 차량의 조향 핸들에 배치된 버튼 등) 등을 사용하여 시스템(100)과 상호 작용할 수도 있다. 일부 실시예에서, 마이크(350)는 백미러(310)에 인접하여 배치될 수 있다. 이와 유사하게, 일부 실시예에서, 이미지캡처장치(122)는 백미러(310) 부근에 배치될 수 있다. 일부 실시예에서, 사용자 인터페이스(170)는 또한 하나 이상의 스피커(360: 예, 차량 오디오 시스템의 스피커)도 포함할 수 있다. 예를 들어, 시스템(100)은 스피커(360)를 통하여 다양한 안내(예, 경보)를 제공할 수 있다.
도 3b 내지 3d는 기재된 실시예에 따른 백미러(예, 310) 뒤의 차량 전면 유리에 위치되도록 구성된 카메라 마운트(370)의 일례이다. 도 3b에 도시된 바와 같이, 카메라 마운트(370)는 이미지캡처장치(122, 124, 126)를 포함할 수 있다. 이미지캡처장치(124, 126)는, 차량 전면 유리에 맞닿아 있고 필름 및/또는 반사 방지 물질의 구조를 포함하는, 눈부심 가림막(380) 후면에 배치될 수 있다. 예를 들어, 눈부심 가림막(380)은 차량 전면 유리에 상응하는 기울기를 가지고 차량 전면 유리에 대해 정렬되도록 배치될 수 있다. 일부 실시예에서, 각 이미지캡처장치(122, 124, 126)는 도 3d에 도시된 바와 같이 눈부심 가림막(380)의 후면에 배치될 수 있다. 여기에 기재된 실시예들은 어느 특정한 구성의 이미지캡처장치(122, 124, 126), 카메라 마운트(370), 눈부심 가림막(380)으로 한정되지 않는다. 도 3c는 도 3b에 도시된 카메라 마운트(370)를 정면에서 바라본 예시이다.
상기 실시예들은 다양한 변형 및/또는 수정이 가능함을 본 발명의 당업자는 이해할 것이다. 예를 들어, 시스템(100)의 동작을 위하여 모든 구성요소가 반드시 필요한 것은 아니다. 또한, 기재된 실시예들의 기능을 제공하면서, 어느 구성요소라도 시스템(100)의 적합한 부분에 배치될 수 있으며, 구성요소들은 다양한 구성으로 재배치될 수 있다. 따라서, 상기 구성들은 예시에 불과하고, 시스템(100)은 상기 구성들과 무관하게 광범위한 기능을 제공하여 차량(200)의 주변상황을 분석하고 이 분석에 대응하여 차량(200)을 주행할 수 있다.
하기의 설명과 기재된 다양한 실시예에 따라, 시스템(100)은 자율 주행 및/또는 운전자 보조 기술과 관련된 다양한 특징을 제공할 수 있다. 예를 들면, 시스템(100)은 이미지 데이터, 위치 데이터(예, GPS 위치 정보), 지도 데이터, 속도 데이터, 및/또는 차량(200)에 포함된 센서들로부터의 데이터를 분석할 수 있다. 시스템(100)은 분석할 데이터를, 예를 들어, 이미지획득부(120), 위치센서(130), 및 기타 센서들로부터 수집할 수 있다. 또한, 시스템(100)은 수집한 데이터를 분석하여 차량(200)이 특정 동작을 수행해야 할지 여부를 판단한 후, 판단한 동작을 인간의 개입 없이 자동으로 수행할지 여부를 판단할 수 있다. 예를 들어, 차량(200)이 인간의 개입 없이 주행하는 경우, 시스템(100)은 차량(200)의 제동, 가속, 및/또는 조향을 자동으로 제어(예, 구동 시스템(220), 제동 시스템(230), 조향 시스템(240)의 하나 이상에 제어신호를 전송)할 수 있다. 또한, 시스템(100)은 수집된 데이터를 분석하고 이 분석 결과에 따라 차량 탑승자들에게 주의 및/또는 경보를 제공할 수 있다. 시스템(100)이 제공하는 다양한 실시예들에 관해서는 하기에 추가로 설명한다.
전방 다중 이미징 시스템
상기에 설명한 바와 같이, 시스템(100)은 다중 카메라 시스템을 사용하는 운전 지원 기능을 제공할 수 있다. 다중 카메라 시스템은 차량의 전방을 향하는 하나 이상의 카메라를 사용할 수 있다. 다른 실시예에서, 다중 카메라 시스템은 차량의 측방 또는 후방을 향하는 하나 이상의 카메라를 포함할 수 있다. 예를 들어, 일 실시예에서, 시스템(100)은 이중 카메라 이미징 시스템을 사용하여, 제1 카메라와 제2 카메라(예, 이미지캡처장치(122, 124))가 차량(200)의 전방 및/또는 측방에 배치될 수 있다. 제1 카메라의 시야는 제2 카메라의 시야보다 넓거나, 좁거나, 부분적으로 겹칠 수 있다. 뿐만 아니라, 제1 카메라는 제1 이미지 프로세서와 연결되어 제1 카메라가 제공한 이미지의 단안 이미지 분석을 수행하고, 제2 카메라는 제2 이미지 프로세서와 연결되어 제2 카메라가 제공한 이미지의 단안 이미지 분석을 수행할 수 있다. 제1 및 제2 이미지 프로세서의 출력(예, 처리된 정보)은 합쳐질 수 있다. 일부 실시예에서, 제2 이미지 프로세서는 제1 및 제2 카메라 모두로부터 이미지를 수신하여 입체 분석을 수행할 수 있다. 다른 실시예에서, 시스템(100)은 각 카메라의 시야가 서로 다른 3중 카메라 이미징 시스템을 사용할 수 있다. 따라서, 이런 시스템은 차량의 전방 및 측방의 다양한 거리에 위치한 물체로부터 얻은 정보에 근거한 판단을 내릴 수 있다. 단안 이미지 분석이란 단일 시야로부터 캡처 된 이미지(예, 단일 카메라에서 캡처 된 이미지)에 근거하여 이미지 분석을 수행하는 경우를 말할 수 있다. 입체 이미지 분석이란 하나 이상의 이미지 캡처 파라미터로 캡처 된 두 개 이상의 이미지에 근거하여 이미지 분석을 수행하는 경우를 말할 수 있다. 예를 들면, 입체 이미지 분석에 적합한 캡처 된 이미지는 둘 이상의 위치로부터 캡처 된 이미지, 서로 다른 시야로부터 캡처 된 이미지, 서로 다른 초점거리를 사용하여 캡처 된 이미지, 시차 정보에 따라 캡처 된 이미지 등을 포함할 수 있다.
예를 들어, 일 실시예에서, 시스템(100)은 이미지캡처장치(122, 124, 126)를 사용하여 3중 카메라 구성을 구현할 수 있다. 이런 구성에서, 이미지캡처장치(122)는 좁은 시야(예, 34도, 또는 약 20 내지 45도 범위에서 선택한 시야)를 제공할 수 있고, 이미지캡처장치(124)는 광시야(예, 150도 또는 약 100 내지 180도 범위에서 선택한 시야)를 제공할 수 있으며, 이미지캡처장치(126)는 중간 시야(예, 46도 또는 약 35 내지 60도 범위에서 선택한 시야)를 제공할 수 있다. 일부 실시예에서, 이미지캡처장치(126)는 주 카메라 역할을 할 수 있다. 이미지캡처장치(122, 124, 126)는 백미러(310) 후면에 배치되고 실질적으로 서로 나란히(예, 6cm 간격으로) 배치될 수 있다. 또한, 상기에 설명한 바와 같이, 일부 실시예에서, 하나 이상의 이미지캡처장치(122, 124, 126)는 차량(200)의 전면 유리에 맞닿아 있는 눈부심 가림막(380) 뒤에 탑재될 수 있다. 이러한 가림막은 차량 내부로부터의 반사가 이미지캡처장치(122, 124, 126)에 끼치는 영향을 최소화할 수 있다.
다른 실시예에서, 상기에 도 3b 내지 3c를 참조하여 설명한 바와 같이, 광시야 카메라(예, 상기 예에서의 이미지캡처장치(124))는 좁은 시야 카메라와 주 시야 카메라(예, 상기 예에서의 이미지캡처장치(122, 126))보다 낮은 위치에 탑재될 수 있다. 이런 구성은 광시야 카메라로부터 탁 트인 시선을 제공할 수 있다. 반사를 줄이기 위하여, 카메라들은 차량(200)의 전면 유리 가까이 탑재될 수 있고, 반사광을 완화하기 위하여 편광판을 포함할 수 있다.
3중 카메라 시스템은 특정 성능을 제공할 수 있다. 예를 들면, 일부 실시예는 한 카메라가 검출한 물체에 대해 다른 카메라의 검출 결과에 근거하여 검증하는 능력을 포함할 수 있다. 상기에 설명한 3중 카메라 구성에서, 처리부(110)는 예를 들어 3개의 처리 장치(예, 3개의 EyeQ 시리즈 프로세서 칩)를 포함하고, 각 처리 장치는 하나 이상의 이미지캡처장치(122, 124, 126)가 캡처한 이미지를 전용으로 처리할 수 있다.
3중 카메라 시스템에서, 제1 처리 장치는 주 카메라와 좁은 시야 카메라로부터 이미지를 수신하고, 좁은 시야 카메라의 시각 처리를 수행하여, 예를 들어, 다른 차량, 보행자, 차로 표시, 교통 표지, 신호등, 기타 도로상의 물체 등을 검출할 수 있다. 나아가, 제1 처리 장치는 주 카메라와 좁은 시야 카메라 사이의 픽셀 차이를 산출하여 차량(200) 주변상황의 3차원 재구성(3D reconstruction)을 생성한 후, 3차원 재구성을 3차원 지도 데이터 또는 다른 카메라로부터 수신한 정보에 근거하여 계산한 3차원 정보와 조합할 수 있다.
제2 처리 장치는 주 카메라로부터 이미지를 수신하고, 시각 처리를 수행하여 다른 차량, 보행자, 차로 표시, 교통 표지, 신호등, 기타 도로상의 물체 등을 검출할 수 있다. 뿐만 아니라, 제2 처리 장치는 카메라 변위를 계산하고, 계산된 변위에 근거하여 연속된 이미지 사이의 픽셀 차이를 계산하여 장면(예, 동작의 구조)의 3차원 재구성을 생성할 수 있다. 제2 처리 장치는 3차원 재구성에 근거한 동작의 구조를 제1 처리 장치에 전송하여 3차원 입체 이미지와 조합할 수 있다.
제3 처리 장치는 광시야 카메라로부터 이미지를 수신하고 이미지를 처리하여 차량, 보행자, 차로 표시, 교통 표지, 기타 도로상의 물체 등을 검출할 수 있다. 제3 처리 장치는 또한 이미지 분석을 위한 추가 처리 명령을 수행하여 차선을 변경하는 차량, 보행자 등과 같은 움직이는 물체를 식별할 수 있다.
일부 실시예에서, 이미지 기반 정보의 스트림을 독립적으로 캡처하고 처리함으로써, 시스템상의 중복성을 제공할 수 있다. 여기서, 중복성이란, 예를 들면, 제1 이미지캡처장치와 이 장치로부터 처리된 이미지를 사용하여 적어도 제2 이미지캡처장치로부터 이미지 정보를 캡처하고 처리하여 획득된 정보를 검증 및/또는 보완하는 것을 포함할 수 있다.
일부 실시예에서, 시스템(100)은 2개의 이미지캡처장치(예, 122, 124)를 사용하여 차량(200)의 항법 보조를 제공하고 제3 이미지캡처장치(예, 126)를 사용하여 상기 2개의 이미지캡처장치로부터 수신한 데이터의 분석 결과의 중복성 및 검증을 제공할 수 있다. 예를 들면, 이런 구성에서, 이미지캡처장치(122, 124)는 차량(200)의 항법을 위해 시스템(100)에 의한 입체 분석을 위한 이미지를 제공하고, 이미지캡처장치(126)는 시스템(100)에 의한 단안 분석을 위한 이미지를 제공하여 이미지캡처장치(122 및/또는 126)가 캡처한 이미지에 근거하여 캡처한 정보의 중복성 및 검증을 제공할 수 있다. 즉, 이미지캡처장치(126)(및 상응하는 처리 장치)는 이미지캡처장치(122, 124)로부터 얻은 분석에 대한 확인을 제공(예, 자동긴급제동(AEB, automatic emergency braking) 제공) 하기 위한 중복 서브시스템을 제공하는 것으로 간주될 수 있다. 나아가, 일부 실시예에서, 수신된 데이터의 중복성 및 검증은 하나 이상의 센서로부터 수신된 정보(예, 레이더, 라이더, 음향 센서, 차량 외부의 하나 이상의 송수신기로부터 수신된 정보 등)에 기반하여 보완될 수 있다.
상기 카메라의 구성, 배치, 개수, 위치 등은 예시에 불과하다는 것을 당업자는 인식할 수 있을 것이다. 전체적인 시스템과 연관하여 설명하는 이러한 구성요소들과 기타 구성요소들은 기재된 실시예들의 범위를 벗어나지 않고 다양한 구성으로 조합되고 사용될 수 있다. 운전자 지원 및/또는 자율 주행 기능을 제공하기 위한 다중 카메라 시스템의 사용과 관련된 내용은 하기에 설명한다.
도 4는 기재된 실시예에 따른 하나 이상의 동작의 수행을 위한 명령이 저장/프로그램 될 수 있는 메모리(140 및/또는 150)의 예시적인 기능 구성도이다. 하기에는 메모리(140)에 관하여 설명하지만, 명령이 메모리(140) 및/또는 메모리(150)에 저장될 수 있음은 당업자에게 당연할 것이다.
도 4에 도시된 바와 같이, 메모리(140)는 단안 이미지 분석 모듈(402), 입체 이미지 분석 모듈(404), 속도 및 가속 모듈(406), 항법 반응 모듈(408)을 저장할 수 있다. 여기에 기재된 실시예들은 메모리(14)의 어느 특정 구성으로 한정되지 않는다. 또한, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 메모리(140)에 포함된 모든 모듈(402, 404, 406, 408)에 저장된 명령을 실행할 수 있다. 본 발명의 기술분야의 당업자라면 하기의 설명에서 처리부(110)란 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)를 개별적으로 또는 총괄하여 지칭할 수 있다는 것을 이해할 것이다. 이에 따라, 하기에 설명한 프로세스의 단계들은 하나 이상의 처리 장치에 의해 수행될 수 있다.
일 실시예에서, 단안 이미지 분석 모듈(402)은, 처리부(110)에 의해 실행될 경우 이미지캡처장치(122, 124, 126) 중의 하나가 확보한 이미지 세트의 단안 이미지 분석을 수행하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 일부 실시예에서, 처리부(110)는 이미지 세트의 정보를 추가 감지 정보(예, 레이더, 라이더 등으로부터 얻은 정보)와 병합하여 단안 이미지 분석을 수행할 수 있다. 하기에 도 5a 내지 5d를 참조하여 설명하겠지만, 단안 이미지 분석 모듈(402)은 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 위험 물체, 및 차량의 주변상황과 연관된 기타 특성 등과 같은 특징들을 이미지 세트 내에서 검출하기 위한 명령을 포함할 수 있다. 시스템(100)은 이 분석에 근거하여, 예를 들어 처리부(110)를 통하여, 차량(200)의 회전, 차선 변경, 가속 변화 등과 같은 하나 이상의 항법 반응을 야기할 수 있으며, 이에 대해서는 하기에 항법 반응 모듈(408)에서 설명한다.
일 실시예에서, 입체 이미지 분석 모듈(404)은, 처리부(110)에 의해 실행될 경우 이미지캡처장치(122, 124, 126) 중에서 선택된 이미지캡처장치의 조합에 의해 확보된 제1 및 제2 이미지 세트의 입체 이미지 분석을 수행하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 일부 실시예에서, 처리부(110)는 제1 및 제2 이미지 세트의 정보를 추가 감지 정보(예, 레이다로부터 얻은 정보)와 병합하여 입체 이미지 분석을 수행할 수 있다. 예를 들어, 입체 이미지 분석 모듈(404)은 이미지캡처장치(124)가 확보한 제1 이미지 세트와 이미지캡처장치(126)가 확보한 제2 이미지 세트에 근거하여 입체 이미지 분석을 수행하기 위한 명령을 포함할 수 있다. 하기에 도 6을 참조하여 설명하겠지만, 입체 이미지 분석 모듈(404)은 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 위험 물체, 및 차량의 주변환경과 연관된 기타 특성 등과 같은 특징들을 제1 및 제2 이미지 세트 내에서 검출하기 위한 명령을 포함할 수 있다. 처리부(110)는 이 분석에 근거하여 차량(200)의 회전, 차선 변경, 가속 변화 등과 같은 하나 이상의 항법 반응을 야기할 수 있으며, 이에 대해서는 하기에 항법 반응 모듈(408)에서 설명한다. 또한 일부 실시예에서, 입체 이미지 분석 모듈(404)은 감지 정보가 캡처 되고 처리되는 주변상황에서 물체를 컴퓨터 시각 알고리즘을 활용하여 검출 및/또는 라벨링 하도록 구성될 수 있는 시스템과 같은 학습 시스템(예, 신경망 또는 심층 신경망) 또는 비학습 시스템과 관련된 방법을 구현할 수 있다.
일 실시예에서, 속도 및 가속 모듈(406)은 차량(200)의 속도 및/또는 가속 변화를 야기하도록 구성된 차량(200)에 구비된 하나 이상의 컴퓨팅 및 기전 장치로부터 수신한 데이터를 분석하도록 구성된 소프트웨어를 저장할 수 있다. 예를 들어, 처리부(110)는 속도 및 가속 모듈(406)과 연계된 명령을 수행함으로써 단안 이미지 분석 모듈(402) 및/또는 입체 이미지 분석 모듈(404)를 실행하여 얻은 데이터에 근거하여 차량(200)의 목표 속도를 산출할 수 있다. 상기 데이터는 예를 들어 목표 위치, 속도, 및/또는 가속, 부근의 차량, 보행자 또는 도로 상의 물체에 대한 차량(200)의 위치 및/또는 속도, 도로의 차로 표시에 대한 차량(200)의 위치 정보 등을 포함할 수 있다. 또한, 처리부(110)는 감지 입력(예, 레이더로부터 얻은 정보) 및 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)과 같은 기타 시스템의 입력에 근거하여 차량(200)의 목표 속도를 산출할 수 있다. 산출된 목표 속도에 근거하여, 처리부(110)는 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)으로 전자 신호를 전송하여, 예를 들면, 물리적으로 차량(200)의 브레이크 페달을 누르거나 가속 페달을 감압하여 속도 및/또는 가속의 변화를 일으킬 수 있다.
일 실시예에서, 항법 반응 모듈(408)은 단안 이미지 분석 모듈(402) 및/또는 입체 이미지 분석 모듈(404)을 실행하여 얻은 데이터에 근거하여 필요한 항법 반응을 판단하기 위하여 처리부(110)에 의해 실행 가능한 소프트웨어를 저장할 수 있다. 상기 데이터는 부근의 차량, 보행자, 및 도로 상의 물체에 대한 위치 및 속도, 차량(200)의 목표 위치 정보 등을 포함할 수 있다. 뿐만 아니라, 일부 실시예에서, 항법 반응은 지도 데이터, 미리 설정한 차량(200)의 위치, 및/또는 단안 이미지 분석 모듈(402) 및/또는 입체 이미지 분석 모듈(404)을 실행하여 얻은 차량(200)과 하나 이상의 물체 사이의 상대 속도 또는 상대 가속에 부분적으로 또는 전적으로 근거할 수 있다. 항법 반응 모듈(408)은 또한 감지 입력(예, 레이더로부터 얻은 정보) 및 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)과 같은 기타 시스템의 입력에 근거하여 필요한 항법 반응을 판단할 수 있다. 필요한 항법 반응에 근거하여, 처리부(110)는 차량(200)의 구동 시스템(220), 제동 시스템(230), 및/또는 조향 시스템(240)으로 전자 신호를 전송하여, 예를 들면, 차량(200)의 조향 핸들을 회전하여 미리 설정한 각도의 회전을 유도함으로써 필요한 항법 반응을 일으킬 수 있다. 일부 실시예에서, 처리부(110)는 항법 반응 모듈(408)의 출력(예, 필요한 항법 반응)을 차량(200)의 속도 변경을 산출하기 위한 속도 및 가속 모듈(406)의 실행을 위한 입력으로 사용할 수 있다.
또한, 여기에 기재된 어느 모듈(예, 402, 404, 406)이라도 학습 시스템(예, 신경망 또는 심층 신경망) 또는 비학습 시스템과 연관된 방법을 구현할 수 있다.　
도 5a는 기재된 실시예에 따른 단안 이미지 분석에 근거한 하나 이상의 항법 반응을 야기하는 프로세스(500A)의 일례를 예시한 순서도이다. 단계 510에서, 처리부(110)는 처리부(110)와 이미지획득부(120) 사이의 데이터 인터페이스(128)를 통하여 복수의 이미지를 수신할 수 있다. 예를 들어, 이미지획득부(120)에 포함된 카메라(예, 시야(202)를 가진 이미지캡처장치(122))는 차량(200)의 전방 영역(또는 측방 또는 후방 영역)의 복수의 이미지를 캡처하고 이 이미지를 데이터 연결(예, 디지털, 유선, USB, 무선, 블루투스 등)을 통하여 처리부(110)로 전송할 수 있다. 처리부(110)는 단계 520에서 단안 이미지 분석 모듈(402)을 실행하여 복수의 이미지를 분석할 수 있다. 이에 대해서는 도 5b 내지 5d를 참조하여 상세히 설명한다. 분석을 수행함으로써, 처리부(110)는 이미지 세트에서 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등 등의 특징들을 검출할 수 있다.
처리부(110)는 또한 단계 520에서 단안 이미지 분석 모듈(402)을 실행하여, 예를 들면, 트럭 타이어 조각, 도로에 떨어진 표지판, 적재 불량 차량, 동물 등의 다양한 도로 상의 위험을 검출할 수 있다. 도로 상의 위험은 그 구조, 모양, 크기, 색 등이 다양하여 이런 위험을 검출하는 것은 더욱 어렵다. 일부 실시예에서, 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 복수의 이미지에 대한 다중 프레임 분석을 수행하여 도로상의 위험을 검출할 수 있다. 예를 들어, 처리부(110)는 연속 프레임 사이의 카메라 움직임을 예측하고 프레임 사이의 픽셀 차이를 계산하여 도로의 3차원 지도를 구축할 수 있다. 이후, 처리부(110)는 3차원 지도를 사용하여 도로면 뿐만 아니라 도로면 상에 존재하는 위험을 검출할 수 있다.
단계 530에서, 처리부(110)는 항법 반응 모듈(408)을 실행하여 단계 520에서 수행한 분석 및 상기에서 도 4를 참조하여 설명한 방법에 근거하여 차량(200)에 하나 이상의 항법 반응을 일으킬 수 있다. 항법 반응은 예를 들어 회전, 차선 변경, 가속 변경 등을 포함할 수 있다. 일부 실시예에서, 처리부(110)는 속도 및 가속 모듈(406)을 실행하여 얻은 데이터를 활용하여 하나 이상의 항법 반응을 야기할 수 있다. 또한, 복수의 항법 반응이 동시에, 순차적으로, 또는 결합된 형태로 일어날 수 있다. 예를 들면, 처리부(110)는 제어 신호를 차량(200)의 조향 시스템(240)과 구동 시스템(220)에 순차적으로 전송하여 차량(200)이 차로를 변경한 후 가속을 하게 할 수 있다. 또는, 처리부(110)는 차량(200)의 제동 시스템(230)과 조향 시스템(240)에 제어 신호를 동시에 전송하여 차량(200)이 제동을 하면서 동시에 차로를 변경하게 할 수 있다.
도 5b는 본 발명의 실시예에 따른 이미지 세트에서 하나 이상의 차량 및/또는 보행자를 검출하는 프로세스(500B)의 일례를 예시한 순서도이다. 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 이 프로세스(500B)를 구현할 수 있다. 단계 540에서, 처리부(110)는 차량 및/또는 보행자일 가능성을 나타내는 후보 물체 모음을 판단할 수 있다. 예를 들어, 처리부(110)는 하나 이상의 이미지를 스캔하고, 이 이미지를 하나 이상의 미리 설정한 패턴과 비교하여, 각 이미지 내에서 관심 물체(예, 차량, 보행자 등)가 있을만한 위치를 파악할 수 있다. 미리 설정한 패턴은 높은 비율의 '오탐(false hits)'과 낮은 비율의 '누락(misses)'을 달성하도록 설계될 수 있다. 예를 들어, 처리부(110)는 차량 또는 보행자일 가능성이 있는 후보 물체를 식별하기 위하여 미리 설정한 패턴에 낮은 유사 임계값을 사용할 수 있다. 이 결과, 처리부(110)가 차량 또는 보행자를 나타내는 후보 물체를 놓칠(즉, 식별하지 못할) 확률을 낮출 수 있다.
단계 542에서, 처리부(110)는 분류 기준에 근거하여 후보 물체 모음을 필터링하여 특정 후보(예, 관련이 없거나 적은 물체)를 제외할 수 있다. 여기서, 기준은 데이터베이스(예, 메모리(140)에 저장된 데이터베이스)에 저장된 물체 유형의 다양한 성질로부터 확보할 수 있다. 여기서, 물체 유형의 성질은 물체의 모양, 크기, 질감, 위치(예, 차량(200)에 대한 상대적 위치) 등을 포함할 수 있다. 따라서, 처리부(110)는 하나 이상의 기준을 사용하여 후보 물체 모음 중에서 거짓 후보를 제외시킬 수 있다.
단계 544에서, 처리부(110)는 이미지의 다중 프레임을 분석하여 후보 물체 모음의 물체가 차량 및/또는 보행자를 나타내는지 여부를 판단할 수 있다. 예를 들면, 처리부(110)는 검출된 후보 물체를 연속 프레임에 걸쳐 추적하여 검출된 물체와 연관된 프레임 별 데이터(예, 차량(200)과 관련된 크기, 위치 등)를 축적할 수 있다. 또한, 처리부(110)는 검출된 물체의 파라미터를 추정하고 물체의 프레임 별 위치 데이터를 예측 위치와 비교할 수 있다.
단계 546에서, 처리부(110)는 검출된 물체의 측정치 모음을 구성할 수 있다. 여기서, 측정치는 예를 들어 검출된 물체와 연계된 위치, 속도, 및 가속도의 값(즉, 차량(200)에 대한 상대 값)을 포함할 수 있다. 일부 실시예에서, 처리부(110)는 칼만 필터(Kalman filters) 또는 선형 2차 곡선 추정(LQE, linear quadratic estimation) 등과 같은 시간 기준 관찰을 사용한 추정 방법 및/또는 서로 다른 물체 유형(예, 차, 트럭, 보행자, 자전거, 도로 표지판 등)에 대한 기존 모델링 데이터에 근거하여 측정치를 구성할 수 있다. 칼만 필터는 물체의 축척의 측정치에 근거하고, 축척 측정치는 충돌까지의 시간(예, 차량(200)이 물체에 도달하는 시간)에 비례할 수 있다. 따라서, 단계 540 내지 546을 수행함으로써, 처리부(110)는 캡처 된 이미지 세트 내에 등장하는 차량과 보행자를 식별하고 이 차량과 보행자와 관련된 정보(예, 위치, 속도, 크기)를 도출할 수 있다. 식별된 내용과 도출한 정보에 근거하여, 처리부(110)는 상기에서 도 5a를 참조하여 설명한 바와 같이, 차량(200)이 하나 이상의 항법 반응을 하도록 할 수 있다.
단계 548에서, 처리부(110)는 하나 이상의 이미지에 대한 광류 분석(optical flow analysis)을 수행하여 차량 또는 보행자를 나타내는 후보 물체에 대한 '오탐'과 누락 확률을 낮출 수 있다. 여기서, 광류 분석이란, 예를 들어, 다른 차량과 보행자와 관련된 하나 이상의 이미지에서 차량(200)에 대한, 그리고 도로 표면 움직임과 다른, 동작 패턴을 분석하는 것을 의미할 수 있다. 처리부(110)는 서로 다른 시간에 캡처된 다중 이미지 프레임에 걸친 물체의 서로 다른 위치를 관찰하여 후보 물체의 움직임을 계산할 수 있다. 처리부(110)는 후보 물체의 움직임을 계산하기 위하여 위치값 및 시간값을 수학적 모델의 입력으로 사용할 수 있다. 따라서, 광류 분석은 차량(200)에 근접한 차량과 보행자를 검출하는 또 다른 방법을 제공할 수 있다. 처리부(110)는 광류 분석을 단계 540 내지 546과 함께 수행함으로써 차량과 보행자를 검출하는 중복성을 제공하고 시스템(100)의 신뢰도를 향상시킬 수 있다.
도 5c는 기재된 실시예에 따른 이미지 세트에서 도로 표시 및/또는 차로 형상 정보를 검출하는 프로세스(500C)의 일례를 예시한 순서도이다. 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 본 프로세스(500C)를 구현할 수 있다. 단계 550에서, 처리부(110)는 하나 이상의 이미지를 스캔하여 물체 모음을 검출할 수 있다. 차로 표시의 일부분, 차로 형상 정보, 및 기타 해당 도로 표시를 검출하기 위하여, 처리부(110)는 물체 모음을 필터링하여 관련 없는 것으로 판단된 물체(예, 대수롭지 않은 포트홀(pothole), 자갈 등)를 제외시킬 수 있다. 단계 552에서, 처리부(110)는 동일 도로 표시 또는 차로 표시에 속하는, 단계 550에서 검출된, 조각들을 함께 묶을 수 있다. 이러한 묶음에 근거하여, 처리부(110)는 검출된 조각들을 나타낼 모델, 예를 들면, 수학적 모델을 생성할 수 있다.
단계 554에서, 처리부(110)는 검출된 조각들에 상응하는 측정치 모음을 구성할 수 있다. 일부 실시예에서, 처리부(110)는 검출된 조각들을 이미지 플레인(image plane)으로부터 실세계 플레인(real-world plane)으로 투영할 수 있다. 여기서, 투영은 검출된 도로의 위치, 경사, 곡률, 및 곡률 미분계수 등과 같은 물리적 성질에 상응하는 계수를 가진 3차 다항식을 사용하는 특징이 있을 수 있다. 투영을 생성할 때, 처리부(110)는 도로면의 변화뿐만 아니라 차량(200)의 피치(pitch)와 롤(roll)을 고려할 수 있다. 또한, 처리부(110)는 도로면에 존재하는 위치 및 모션 신호를 분석하여 도로의 높낮이를 추정할 수 있다. 나아가, 처리부(110)는 하나 이상의 이미지의 특징점 모음을 추적하여 차량(200)의 피치 및 롤 비율을 추정할 수 있다.
단계 556에서, 처리부(110)는 예를 들어 검출된 조각들을 연속 이미지 프레임에 걸쳐 추적하고 검출된 조각과 관련된 프레임 별 데이터를 축적하여 다중 프레임 분석을 수행할 수 있다. 처리부(110)가 다중 프레임 분석을 수행함에 따라, 단계 554에서 구성된 측정치 모음은 더욱 신뢰할 수 있게 되고 더욱 높은 신뢰 수준을 갖게 된다. 따라서, 단계 550, 552, 554, 556을 수행함으로써, 처리부(110)는 캡처 된 이미지 세트 내에 등장하는 도로 표시를 식별하고 차로 형상 정보를 도출할 수 있게 된다. 이러한 식별과 도출된 정보에 근거하여, 처리부(110)는, 상기에서 도 5a를 참조하여 설명한 바와 같이, 차량(200)이 항법 반응을 취하게 할 수 있다.
단계 558에서, 처리부(110)는 추가 정보를 고려하여 차량(200) 주변에 관한 안전 모델을 생성할 수 있다. 처리부(110)는 안전 모델을 사용하여 시스템(100)이 차량(200)의 자율 제어를 안전하게 할 수 있는 환경을 정의할 수 있다. 일부 실시예에서, 안전 모델을 생성하기 위하여, 처리부(100)는 다른 차량의 위치와 움직임, 검출된 도로 가장자리 및 배리어(barrier), 및/또는 지도 데이터(예, 지도 데이터베이스(160)의 데이터)에서 추출한 일반적인 도로 형상 설명을 고려할 수 있다. 추가 정보를 고려함으로써, 처리부(110)는 도로 표시 및 차로 형상에 대한 중복성을 제공하고 시스템(100)의 신뢰도를 향상시킬 수 있다.
도 5d는 기재된 실시예에 따른 이미지 세트에서 신호등을 검출하는 프로세스(500D)의 일례를 예시한 순서도이다. 처리부(110)는 단안 이미지 분석 모듈(402)을 실행하여 본 프로세스(500D)를 구현할 수 있다. 단계 560에서, 처리부(110)는 이미지 세트를 스캔하고 신호등 포함 가능성이 있는 이미지의 위치에 나타나는 물체를 식별한다. 예를 들면, 처리부(110)는 식별된 물체를 필터링하여 신호등에 상응할 가능성이 없는 물체들을 제외한 후보 물체 모음을 구성할 수 있다. 필터링은 신호등의 모양, 크기, 질감, 위치(예, 차량(200)에 대한 상대적 위치) 등의 다양한 성질에 근거하여 수행될 수 있다. 이러한 성질은 여러 예의 신호등과 교통 제어 신호에 근거할 수 있고 데이터베이스에 저장될 수 있다. 일부 실시예에서, 처리부(110)는 신호등 가능성이 있는 후보 물체 모음에 대한 다중 프레임 분석을 수행할 수 있다. 예를 들어, 처리부(110)는 연속 이미지 프레임에 걸쳐 후보 물체를 추적하고, 후보 물체의 실세계 위치를 추정하고, 움직이는 물체(즉, 신호등일 가능성이 적은 물체)를 필터링할 수 있다. 일부 실시예에서, 처리부(110)는 후보 물체에 대한 색 분석을 실시하고 신호등 가능성이 있는 물체 내부에서 검출된 색의 상대적 위치를 식별할 수 있다.
단계 562에서, 처리부(110)는 교차로의 기하를 분석할 수 있다. 이 분석은 (i) 차량(200) 양 측에 검출된 차로의 수, (ii) 도로 상에 검출된 표시(화살표 등), (iii) 지도 데이터(예, 데이터베이스(160)에 저장된 지도 데이터)에서 추출된 교차로 설명의 조합에 근거하여 수행될 수 있다. 처리부(110)는 단안 분석 모듈(402)을 실행하여 도출한 정보를 활용하여 분석을 수행할 수 있다. 또한, 처리부(110)는 단계 560에서 검출된 신호등이 차량(200) 부근에 보이는 차로와 상응하는지 판단할 수 있다.　
차량(200)이 교차로에 접근함에 따라, 단계 564에서, 처리부(110)는 분석된 교차로 기하와 검출된 신호등에 관한 신뢰 수준을 업데이트 할 수 있다. 예를 들어, 교차로에 나타날 것으로 추정된 신호등의 수와 실제로 교차로에 나타난 신호등의 수를 비교하면 신뢰 수준을 파악할 수 있다. 따라서, 이 신뢰 수준에 근거하여, 처리부(110)는 안전 조건을 향상하기 위하여 차량(200)의 제어를 운전자에게 맡길 수 있다. 단계 560, 562, 564를 수행함으로써, 처리부(110)는 캡처 된 이미지 세트 내에 나타나는 신호등을 식별하고 교차로 기하 정보를 분석할 수 있다. 이러한 식별과 분석을 근거로, 처리부(110)는 상기에 도 5a를 참조하여 설명한 하나 이상의 항법 반응을 차량(200)이 하도록 할 수 있다.
도 5e는 기재된 실시예에 따른 차량 경로에 근거한 하나 이상의 항법 반응을 차량(200)에 야기하는 프로세스(500E)의 일례를 예시한 순서도이다. 단계 570에서, 처리부(110)는 차량(200)의 초기 차량 경로를 구성할 수 있다. 차량 경로는 좌표 (x, z)로 표현되는 한 세트의 점으로 나타낼 수 있고, 한 세트의 점의 두 점 간의 간격인 d i 는 1 내지 5 미터의 범위 내에 있을 수 있다. 일 실시예에서, 처리부(110)는 좌측 도로 다항식과 우측 도로 다항식과 같은 두 개의 다항식을 사용하여 초기 차량 경로를 구성할 수 있다. 처리부(110)는 두 개의 다항식 사이의 중간점을 계산하고, 오프셋이 있는 경우(오프셋이 0인 경우는 차로의 중앙을 주행하는 경우에 해당함), 차량 경로 결과에 포함된 각 점을 미리 설정한 오프셋(예, 스마트 차로 오프셋)만큼 오프셋 할 수 있다. 오프셋은 차량 경로 내의 두 점 사이의 구간에 수직인 방향일 수 있다. 다른 실시예에서, 처리부(110)는 하나의 다항식과 추정된 차로 폭을 사용하여 차량 경로의 각 점을 추정된 차로 폭에 미리 설정한 오프셋(예, 스마트 차선 오프셋)을 더한 값만큼 오프셋 할 수 있다.
단계 572에서, 처리부(110)는 단계 570에서 구성한 차량 경로를 업데이트 할 수 있다. 처리부(110)는 단계 570에서 구성한 차량 경로를 더 높은 해상도를 사용하여 재구성하여 차량 경로를 나타내는 한 세트의 점의 두 점 사이의 거리 d k 가 상기에 설명한 거리 d i 보다 작도록 할 수 있다. 예를 들어, d k 는 0.1 내지 0.3 미터의 범위 내에 있을 수 있다. 처리부(110)는 차량 경로의 전체 길이에 해당하는(즉, 차량 경로를 나타내는 점들의 세트에 근거한) 누적 거리 벡터 S를 산출하는 파라볼릭 스플라인 알고리즘(parabolic spline algorithm)을 사용하여 차량 경로를 재구성할 수 있다.
단계 574에서, 처리부(110)는 단계 572에서 구성된 업데이트된 차량 경로에 근거하여 예견점(look-ahead point)(좌표 (x l , z l )로서 표현)을 결정할 수 있다. 처리부(110)는 누적 거리 벡터 S로부터 예견점을 추출할 수 있고, 예견점은 예견 거리 및 예견 시간과 연계될 수 있다. 하한계가 10 내지 20미터일 수 있는 예견 거리는 차량(200)의 속도와 예견 시간을 곱한 값으로 산출될 수 있다. 예를 들어, 차량(200)의 속도가 감소하면, 예견 거리도 감소(예, 하한계에 도달할 때까지)할 수 있다. 범위가 0.5 내지 1.5초일 수 있는 예견 시간은 차량(200)에 항법 반응을 야기하는 것과 관계있는 하나 이상의 제어 루프(control loop)(예, 방위각 오차 추적 제어 루프)의 게인(gain)에 반비례할 수 있다. 예를 들어, 방위각 오차 추적 제어 루프의 게인은 요 레이트 루프(yaw rate loop)의 대역폭, 조향 액추에이터 루프, 차량 측방향 동역학 등에 따라 다를 수 있다. 따라서, 방위각 오차 추적 제어 루프의 게인이 클수록, 예견 시간은 작아질 수 있다.
단계 576에서, 처리부(110)는 단계 574에서 판단한 예견점에 근거하여 방위각 오차 및 요 레이트 명령을 결정할 수 있다. 처리부(110)는 예견점의 역탄젠트, 예를 들어 arctan (x l / z l )을 산출하여 결정할 수 있다. 처리부(110)는 방위각 오차와 고레벨 제어 게인의 곱을 산출하여 요 레이트 명령을 결정할 수 있다. 고레벨 제어 게인은, 예견 거리가 하한계에 있지 않은 경우, (2 / 예견 시간)과 같을 수 있다. 아니면, 고레벨 제어 게인은 (2 × 차량(200)의 속도 / 예견 거리)와 같을 수 있다.
도 5f는 기재된 실시예에 따른 선두 차량이 차로 변경을 하는지를 판단하는 프로세스(500F)의 일례를 예시한 순서도이다. 단계 580에서, 처리부(110)는 선두 차량(예, 차량(200)에 앞서 주행하는 차량)에 대한 항법 정보를 판단할 수 있다. 예를 들면, 처리부(110)는, 상기의 도 5a와 도 5b를 참조하여 설명한 방법을 활용하여 선두 차량의 위치, 속도(예, 방향과 속력), 및/또는 가속도를 판단할 수 있다. 처리부(110)는 또한 상기의 도 5e를 참조하여 설명한 방법을 활용하여 하나 이상의 도로 다항식, 예견점(차량(200)과 관련된 예견점), 및/또는 스네일 트레일(snail trail: 선두 차량의 경로를 묘사하는 한 세트의 점)을 판단할 수 있다.
단계 582에서 처리부(110)는 단계 580에서 판단한 항법 정보를 분석할 수 있다. 일 실시예에서, 처리부(110)는 스네일 트레일과 도로 다항식(예, 스네일 트레일을 따라가는 다항식) 사이의 거리를 계산할 수 있다. 스네일 트레일을 따라가는 거리의 분산이 미리 설정한 임계치(예, 직선 도로에서 0.1 내지 0.2, 완만한 커브길에서 0.3 내지 0.4, 급커브길에서 0.5 내지 0.6)를 초과하는 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 차량(200)의 앞에 여러 차량이 검출된 경우, 처리부(110)는 각 차량의 스네일 트레일을 비교할 수 있다. 처리부(110)는 비교 결과에 근거하여 다른 차량들의 스네일 트레일과 일치하지 않는 스네일 트레일의 차량이 차로 변경의 가능성이 있는 것으로 판단할 수 있다. 처리부(110)는 추가적으로 선두 차량의 스네일 트레일의 곡률과 선두 차량이 주행하고 있는 도로 구간의 예상 곡률을 비교할 수 있다. 예상 곡률은 지도 데이터(예, 데이터베이스(160)의 데이터), 도로 다항식, 다른 차량의 스네일 트레일, 도로에 대한 사전 지식 등으로부터 추출될 수 있다. 스네일 트레일의 곡률과 도로 구간의 예상 곡률의 차이가 미리 설정된 임계값을 초과하는 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다.
다른 실시예에서, 처리부(110)는 특정 시간(예, 0.5 내지 1.5초)에 대한 선두 차량의 순간 위치와 예견점(차량(200)의 예견점)을 비교할 수 있다. 특정 시간 동안에 선두 차량의 순간 위치와 예견점 사이의 거리가 변화하고 변화의 누적 합이 미리 설정한 임계치(예, 직선도로 상 0.3 내지 0.4 미터, 완만한 커브길의 0.7 내지 0.8 미터, 급커브길의 1.3 내지 1.8 미터)를 초과할 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 다른 실시예에서, 처리부(110)는 스네일 트레일을 따라 주행한 횡방향 거리와 스네일 트레일의 예상 곡률을 비교하여 스네일 트레일의 기하를 분석할 수 있다. 예상 곡률 반경은 수학식 을 통하여 판단할 수 있다. 여기서, 는 횡방향 주행 거리이고, 는 종방향 주행 거리이다. 횡방향 주행 거리와 예상 곡률 사이의 차이가 미리 설정한 임계치(예, 500 내지 700미터)를 초과하는 경우, 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 다른 실시예에서, 처리부(110)는 선두 차량의 위치를 분석할 수 있다. 선두 차량의 위치가 도로 다항식을 안 보이게 하는 경우(예, 선두 차량이 도로 다항식의 상부에 덮어씌워 있는 경우), 처리부(110)는 선두 차량이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다. 다른 차량이 선두 차량의 앞에 검출되고 선두 차량과 앞 차량의 스네일 트레일이 서로 평행하지 않은 경우, 처리부(110)는 선두 차량(즉, 차량(200)과 가까운 차량)이 차로 변경을 하고 있을 가능성이 있는 것으로 판단할 수 있다.
단계 584에서, 처리부(110)는 단계 582에서 수행한 분석에 근거하여 선두 차량의 차로 변경 여부를 판단할 수 있다. 예를 들어, 처리부(110)는 단계 582에서 수행한 개별 분석의 가중 평균에 근거하여 판단을 할 수 있다. 이 방법에서, 예를 들면, 특정 유형의 분석에 근거하여 선두 차량이 차로 변경을 하고 있을 가능성이 있다는 판단을 처리부(110)가 내릴 경우, "1"의 값을 부여할 수 있다(선두 차량이 차로 변경을 하지 않고 있을 가능성 판단일 경우, "0"의 값 부여). 단계 582에서 수행되는 다른 분석에는 다른 가중치가 부여될 수 있으며, 본 실시예는 특정 조합의 분석 및 가중치에 한정되지 않는다.
도 6은 기재된 실시예에 따른 입체 이미지 분석에 근거한 하나 이상의 항법 반응을 야기하는 프로세스(600)의 일례를 예시한 순서도이다. 단계 610에서, 처리부(110)는 복수의 제1 및 제2 이미지를 데이터 인터페이스(128)를 통하여 수신할 수 있다. 예를 들면, 이미지획득부(120, 시야(202, 204)를 가진 이미지캡처장치(122, 124) 등)에 포함된 카메라가 차량(200) 전면 영역의 복수의 제1 및 제2 이미지를 캡처하고 디지털 연결(예, USB, 무선통신, 블루투스 등)을 통해 처리부(110)로 전송할 수 있다. 일부 실시예에서, 처리부(110)는 둘 이상의 데이터 인터페이스를 통해 복수의 제1 및 제2 이미지를 수신할 수 있다. 여기에 기재된 실시예들은 특정 데이터 인터페이스 구성 또는 프로토콜에 제한되지 않는다.
단계 620에서, 처리부(110)는 입체 이미지 분석 모듈(404)을 실행하여 복수의 제1 및 제2 이미지에 대한 입체 이미지 분석을 수행하여 차량 전면 도로의 3차원 지도를 생성하고, 이미지 내에서 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 도로 상의 위험물 등과 같은 특징을 검출할 수 있다. 입체 이미지 분석은 상기에서 도 5a 내지 5d를 참조하여 설명한 단계와 유사한 방법으로 수행될 수 있다. 예를 들어, 처리부(110)는 입체 이미지 분석 모듈(404)을 실행하여 복수의 제1 및 제2 이미지 내에서 후보 물체(예, 차량, 보행자, 도로 표시, 신호등, 도로 상의 위험물 등)을 검출하고, 다양한 기준에 근거하여 후보 물체의 모음을 필터링하고, 다중 프레임 분석을 수행하고, 측정치를 구성하고, 나머지 후보 물체에 대한 신뢰 수준을 판단할 수 있다. 상기 단계들을 수행함에 있어서, 처리부(110)는 한 세트의 이미지보다는 복수의 제1 및 제2 이미지 모두의 정보를 고려할 수 있다. 예를 들어, 처리부(110)는 복수의 제1 및 제2 이미지에 모두 등장하는 후보 물체에 대한 픽셀 단계 데이터(또는 두 스트림의 캡처된 이미지의 기타 데이터 서브세트)의 차이를 분석할 수 있다. 다른 예로서, 처리부(110)는 후보 물체가 복수의 이미지 중 하나에 등장하지만 다른 이미지에 등장하지 않는다는 것을 관찰하거나, 두 이미지 스트림에 등장하는 물체와 관련하여 존재하는 다른 차이점들을 통하여, 후보 물체(예, 차량(200)에 대한 후보 물체)의 위치 및/또는 속도를 추정할 수 있다. 예를 들어, 차량(200)과 관련된 위치, 속도, 및/또는 가속도는 이미지 스트림의 하나 또는 모두에 등장하는 물체와 연관된 특징의 궤적, 위치, 동작 특성 등에 근거하여 판단될 수 있다.
단계 630에서, 처리부(110)는 항법 반응 모듈(408)을 실행하여 단계 620에서 수행한 분석 및 도 4를 참조하여 상기에 설명한 방법에 근거한 하나 이상의 항법 반응을 차량(200)에 발생시킬 수 있다. 항법 반응은, 예를 들어, 회전, 차로 변경, 가속도 변경, 속도 변경, 제동 등을 포함할 수 있다. 일부 실시예에서, 처리부(110)는 속도 및 가속 모듈(406)을 실행하여 도출한 데이터를 사용하여 하나 이상의 항법 반응을 발생시킬 수 있다. 뿐만 아니라, 다중 항법 반응이 동시에, 순차적으로, 또는 이들의 조합으로 발생될 수 있다.
도 7은 본 발명의 실시예에 따른 3세트의 이미지에 근거한 하나 이상의 항법 반응을 발생시키는 프로세스(700)의 일례를 예시한 순서도이다. 단계 710에서, 처리부(110)는 데이터 인터페이스(128)를 통하여 복수의 제1, 제2, 제3 이미지를 수신할 수 있다. 예를 들어, 이미지획득부(120, 시야(202, 204, 206)를 가진 이미지캡처장치(122, 124, 126) 등)에 포함된 카메라가 차량(200) 전면 및/또는 측면 영역의 복수의 제1, 제2, 제3 이미지를 캡처하고 디지털 연결(예, USB, 무선통신, 블루투스 등)을 통해 처리부(110)로 전송할 수 있다. 일부 실시예에서, 처리부(110)는 셋 이상의 데이터 인터페이스를 통해 복수의 제1, 제2, 제3 이미지를 수신할 수 있다. 예를 들어, 이미지캡처장치(122, 124, 126)는 처리부(110)와 데이터를 통신하기 위해 각 장치에 연관된 데이터 인터페이스가 있을 수 있다. 기재된 실시예들은 특정 데이터 인터페이스 구성 또는 프로토콜로 제한되지 않는다.
단계 720에서, 처리부(110)는 복수의 제1, 제2, 제3 이미지를 분석하여 차로 표시, 차량, 보행자, 도로 표지, 고속도로 나들목, 신호등, 도로 상의 위험물 등과 같은 특징을 이미지 내에서 검출할 수 있다. 본 분석은 상기에서 도 5a 내지 5d 및 도 6을 참조하여 설명한 단계와 유사한 방법으로 수행될 수 있다. 예를 들어, 처리부(110)는 복수의 제1, 제2, 제3 이미지 각각에 대한 단안 이미지 분석(예, 단안 이미지 분석 모듈(402) 실행 및 도 5a 내지 5d를 참조하여 설명한 상기 단계)을 수행할 수 있다. 또는, 처리부(110)는 복수의 제1 및 제2 이미지, 복수의 제2 및 제3 이미지, 및/또는 복수의 제1 및 제3 이미지에 대한 입체 이미지 분석(예, 입체 이미지 분석 모듈(404) 실행 및 도 6을 참조하여 설명한 상기 단계)을 수행할 수 있다. 복수의 제1, 제2 및/또는 제3 이미지에 상응하는 처리 정보는 병합될 수 있다. 일부 실시예에서, 처리부(110)는 단안 이미지 분석과 입체 이미지 분석을 조합하여 수행할 수 있다. 예를 들면, 처리부(110)는 복수의 제1 이미지에 대해 단안 이미지 분석(예, 단안 이미지 분석 모듈(402) 실행)을 수행하고, 복수의 제2 및 제3 이미지에 대해 입체 이미지 분석(예, 입체 이미지 분석 모듈(404) 실행)을 수행할 수 있다. 상응하는 위치와 시야(202, 204, 206)를 가진 이미지캡처장치(122, 124, 126)의 구성은 복수의 제1, 제2, 제3 이미지에 대해 수행되는 분석의 유형에 영향을 줄 수 있다. 기재된 실시예들은 특정 구성의 이미지캡처장치(122, 124, 126) 또는 복수의 제1, 제2, 제3 이미지에 수행되는 분석의 유형으로 제한되지 않는다.
일부 실시예에서, 처리부(110)는 단계 710과 720에서 획득하고 분석한 이미지에 근거하여 시스템(100)의 검사를 수행할 수 있다. 이러한 검사는 이미지캡처장치(122, 124, 126)의 특정 구성을 위한 시스템(100)의 전체적인 성능에 대한 지시자를 제공할 수 있다. 예를 들어, 처리부(110)는 '오탐'(예, 시스템(100)이 차량 또는 보행자가 존재하는 것으로 오판하는 경우) 및 '누락'의 비율을 판단할 수 있다.
단계 730에서, 처리부(110)는 복수의 제1, 제2, 제3 이미지 중 둘로부터 도출된 정보에 근거하여 차량(200)에 하나 이상의 항법 반응을 발생시킬 수 있다. 복수의 제1, 제2, 제3 이미지 중 둘은, 예를 들어, 복수의 이미지 각각에 검출된 물체의 개수, 유형, 크기 등과 같은 다양한 요소에 의거하여 선택될 수 있다. 처리부(110)는 또한 이미지의 품질 및 해상도, 이미지에 반영된 유효 시야, 캡처 된 프레임의 수, 관심 물체가 프레임에 실제로 등장하는 정도(예, 물체가 등장하는 프레임의 퍼센트, 각 프레임에 등장하는 물체가 차지하는 비율 등) 등에 따라 이미지를 선택할 수 있다.
일부 실시예에서, 처리부(110)는 한 이미지 소스로부터 도출된 정보가 다른 이미지 소스로부터 도출된 정보와 어느 정도 일관되는지를 판단하여 복수의 제1, 제2, 제3 이미지 중 둘로부터 도출된 정보를 선택할 수 있다. 예를 들어, 처리부(110)는 이미지캡처장치(122, 124, 126) 각각으로부터 도출(단안 분석, 입체 분석, 또는 이들의 조합)된 처리 정보를 병합하고 이미지캡처장치(122, 124, 126) 각각으로부터 캡처 된 이미지 전반에 걸쳐 일관된 시각적 지시자(예, 차로 표시, 검출된 차량 및 그 위치 및/또는 경로, 검출된 신호등 등)를 판단할 수 있다. 처리부(110)는 또한, 캡처 된 이미지 전반에 걸쳐 일관되지 않은 정보(예, 차로를 변경하는 차량, 차량(200)과 너무 가까운 차량을 나타내는 차로 모델 등)를 제외시킬 수 있다. 따라서, 처리부(110)는 일관된 정보 및 일관되지 않은 정보의 판단에 근거하여 복수의 제1, 제2, 제3 이미지 중 둘로부터 도출된 정보를 선택할 수 있다.
항법 반응은, 예를 들면, 회전, 차로 변경, 가속도 변경 등을 포함할 수 있다. 처리부(110)는 단계 720에서 수행된 분석과 도 4를 참조하여 설명한 방법에 근거하여 하나 이상의 항법 반응을 발생시킬 수 있다. 처리부(110)는 또한 속도 및 가속 모듈(406)을 실행하여 도출한 데이터를 사용하여 하나 이상의 항법 반응을 발생시킬 수 있다. 일부 실시예에서, 처리부(110)는 차량(200)과 복수의 제1, 제2, 제3 이미지 중 어느 하나 내에서 검출된 물체 사이의 상대적 위치, 상대적 속도, 및/또는 상대적 가속도에 근거하여 하나 이상의 항법 반응을 발생시킬 수 있다. 다중 항법 반응은 동시에, 순차적으로 또는 이들의 조합으로 발생될 수 있다.
캡처 된 이미지의 분석은 자율 주행을 위한 스파스 맵 모델의 생성과 활용을 가능하게 할 수 있다. 또한, 캡처 된 이미지의 분석은 식별된 차로 표시를 활용하여 자율주행차의 위치 인식을 가능하게 할 수 있다. 캡처 된 이미지의 하나 이상의 특정 분석에 기반한 특정 특징의 검출을 위한 실시예와 스파스 맵 모델을 활용한 자율주행차의 항법을 위한 실시예는 하기의 도 8 내지 도 28을 참조하여 설명한다.
자율 주행을 위한 스파스 도로 모델
일부 실시예에서, 기재된 시스템과 방법은 자율 주행을 위한 스파스 맵을 활용할 수 있다. 특히, 스파스 맵은 도로 구간을 따라 자율 주행을 하기 위한 것일 수 있다. 예를 들면, 스파스 맵은 많은 양의 데이터를 저장 및/또는 업데이트 하지 않고도 자율주행차의 항법을 위한 충분한 정보를 제공할 수 있다. 아래에 상세히 설명하겠지만, 자율주행차는 저장된 하나 이상의 궤적에 의거한 하나 이상의 도로의 항법을 위하여 스파스 맵을 활용할 수 있다.
자율 주행을 위한 스파스 맵
일부 실시예에서, 기재된 시스템과 방법은 자율 주행을 위한 스파스 맵을 생성할 수 있다. 예를 들어, 스파스 맵은 과도한 데이터 저장 및 데이터 전송 속도를 요구하지 않고도 항법(navigation)에 필요한 충분한 정보를 제공할 수 있다. 하기에 상세히 설명하겠지만, 차량(예, 자율주행차)은 스파스 맵을 사용하여 하나 이상의 도로를 주행할 수 있다. 예를 들어, 일부 실시예에서, 스파스 맵은 차량 항법에 필요한 도로와 관련된 데이터와 도로에 구비된 표지들을 포함하되 적은 양의 데이터 흔적(data footprint)이 있을 수 있다. 예를 들면, 하기에 상세히 설명하는 스파스 데이터 맵은 도로를 따라 수집된 이미지 데이터와 같은 상세 지도 정보를 포함하는 디지털 지도에 비해 상당히 작은 저장 공간과 데이터 전송 대역폭이 필요할 수 있다.
예를 들어, 스파스 데이터 맵은 도로 구간의 상세한 모습을 저장하기 보다는, 도로 상의 차량 경로를 3차원 다항식 표현으로 저장할 수 있다. 이러한 경로는 매우 작은 데이터 저장 공간이 필요할 수 있다. 또한, 본 스파스 데이터 맵에서, 랜드마크들은 항법에 도움이 되도록 스파스 도로 모델에 식별되고 포함될 수 있다. 이런 랜드마크들은 차량 항법에 적합한 정도의 간격으로 배치되되, 일부 경우에는 높은 밀도와 좁은 간격으로 파악되고 포함될 필요가 없다. 대신, 일부 경우에, 적어도 50미터, 100미터, 500미터, 1킬로미터, 또는 2킬로미터의 간격으로 배치된 랜드마크들에 근거하여도 항법이 가능할 수 있다. 본 설명의 다른 부분에서 상세히 설명하겠지만, 스파스 맵은 이미지캡처장치, GPS 센서, 동작 센서 등과 같은 다양한 센서 및 장치를 구비한 차량이 도로를 따라 운행하면서 수집하고 측정한 데이터에 근거하여 생성될 수 있다. 일부 경우에, 스파스 맵은 하나 이상의 차량이 특정 도로를 여러 번 운행하는 동안에 수집한 데이터에 근거하여 생성될 수 있다. 하나 이상의 차량의 다수 운행을 활용하여 스파스 맵을 생성하는 것은 스파스 맵을 "크라우드소싱(crowdsourcing)" 한다고 지칭할 수 있다.
기재된 실시예들에 의거하여, 자율주행차 시스템은 항법을 위해 스파스 맵을 사용할 수 있다. 예를 들면, 기재된 시스템과 방법은 자율주행차를 위한 도로 항법 모델을 생성하기 위한 스파스 맵을 배포하고, 스파스 맵 및/또는 생성된 도로 항법 모델을 활용하여 도로 구간을 따라 자율주행차를 주행할 수 있다. 본 기재에 따른 스파스 맵은 자율주행차가 관련 도로 구간을 달리며 횡단하는 미리 설정된 궤적을 나타내는 하나 이상의 3차원 등고선(contour)을 포함할 수 있다.
본 기재에 따른 스파스 맵은 또한, 하나 이상의 도로 특성을 나타내는 데이터를 포함할 수 있다. 이러한 도로 특성에는 인지된 랜드마크, 도로 특징 프로필(road signature profiles), 및 차량의 항법에 유용한 기타 도로 관련 특성을 포함할 수 있다. 본 기재에 따른 스파스 맵은 스파스 맵에 포함된 상대적으로 적은 양의 데이터에 의거하여 차량의 자율 주행을 가능하게 할 수 있다. 예를 들면, 도로 가장자리, 도로 굴곡, 도로 구간과 관련된 이미지, 또는 도로 구관과 관련된 기타 물리적 특징을 보여주는 데이터 등과 같은 상세한 도로 표현을 포함하는 대신, 기재된 실시예에 따른 스파스 맵은 상대적으로 작은 저장 공간(따라서 스파스 맵의 일부를 차량으로 전송할 때 필요한 상대적으로 작은 대역폭)을 요구하되 여전히 자율 주행을 충분히 제공할 수 있다. 기재된 스파스 맵의 적은 데이터 흔적은 적은 양의 데이터로도 여전히 자율 주행을 가능하게 하는 도로 관련 요소의 표현을 저장함으로써 가능할 수 있다.
예를 들어, 기재된 스파스 맵은 도로의 다양한 양상을 자세히 표현하여 저장하는 대신에, 차량이 도로를 따라 진행하는 하나 이상의 궤적의 다항식 표현을 저장할 수 있다. 따라서, 도로를 따라 항법을 가능하게 하기 위해 도로의 물리적 성질에 관한 상세한 내용을 저장(또는 전송)하는 대신, 차량은 기재된 스파스 맵을 사용하여 도로의 물리적 양상을 해석할 필요 없이, 그러나 특정 도로 구간의 궤적(예, 다항식 스플라인)에 운행 경로를 정렬함으로써 특정 도로 구간을 주행할 수 있다. 이에 따라, 차량은, 도로 이미지, 파라미터, 레이아웃 등의 저장을 하는 접근 방법에 비해 훨씬 작은 저장 공간을 요구하는, 저장된 궤적(예, 다항식 스플라인)에 주로 의거하여 주행할 수 있다.
기재된 스파스 맵은 도로 구간을 따라가는 궤적의 다항식 표현을 저장하는 것 외에도 도로 특징을 나타내는 작은 데이터 물체들을 포함할 수 있다. 일부 실시예에서, 작은 데이터 물체들은 도로 구간을 따라 운행하는 차량에 탑재된 센서(예, 카메라, 또는 서스펜션 센서 등과 같은 기타 센서)에 의해 획득된 디지털 이미지(또는 디지털 신호)로부터 도출된 디지털 특징을 포함할 수 있다. 디지털 특징은 센서에 의해 획득된 신호에 상응하는 작은 사이즈일 수 있다. 일부 실시예에서, 디지털 특징은, 예를 들면 후속 운행 중에 센서에 의해 획득된 신호로부터 도로 특징을 검출하고 식별하도록 구성된 분류자(classifier) 기능과 호환되도록 생성될 수 있다. 일부 실시예에서, 디지털 특징은 흔적은 최소이면서도 후속 시간에 동일 도로 구간을 운행하는 차량에 탑재된 카메라에 의해 캡처 된 도로 특징의 이미지(또는 저장된 특징이 이미지에 근거하지 않고 또는 다른 데이터를 포함하는 경우에는, 센서에 의해 생성된 디지털 신호)에 의거하여 도로 특징과 저장된 특징과의 연관성을 찾거나 매칭하는 능력을 유지하도록 생성될 수 있다.
일부 실시예에서, 데이터 물체의 크기는 도로 특징과 추가로 연관이 있을 수 있다. 예를 들어, 차량에 탑재된 카메라에 의해 검출 가능한 도로 특징에 있어서, 그리고 차량에 탑재된 카메라 시스템이 이 도로 특징에 상응하는 이미지 데이터를, 예를 들면 도로 표지와 같은, 특정 유형의 도로 특징과 구분할 수 있는 분류자와 결합되어 있는 경우, 또한 이러한 도로 표지가 해당 지역 특유의 표지인 경우(예, 동일한 또는 동일 유형의 도로 표지가 부근에 없음), 이런 유형의 도로 특징과 그 위치를 저장하기 충분할 수 있다.
하기에 상세히 설명하겠지만, 도로 특징(예, 도로 구간을 따라 형성된 랜드마크)은 작은 데이터 물체로 저장되어 상대적으로 적은 바이트로 도로 특징을 표현함과 동시에 이러한 도로 특징을 인식하고 항법을 위해 사용하기 위한 충분한 정보를 제공할 수 있다. 일례에서, 도로 표지는 차량의 항법에 사용될 수 있는 인지된 랜드마크로 식별될 수 있다. 도로 표지의 표현은, 예를 들면, 고작 몇 바이트의 데이터로 랜드마크(예, 일단 정지 표지)의 유형을 나타내고 고작 몇 바이트의 데이터로 랜드마크의 위치를 나타내도록 저장될 수 있다. 이러한 저용량 데이터를 사용한 랜드마크 표현에 근거한 항법(예, 랜드마크에 근거한 위치인식, 인지, 및 항법에 충분한 표현 사용)을 함으로써, 데이터 소비를 증가하지 않고도 스파스 맵의 항법 기능 수준을 충분히 제공할 수 있다. 이렇게 랜드마크(및 기타 도로 특징)를 저용량으로 표현할 수 있는 것은 특정 도로 특징을 검출, 식별, 및/또는 분류하도록 차량에 탑재된 센서 및 프로세서 때문이다.
예를 들어, 표지 또는 특정 유형의 표지가 해당 지역 특유의 표지인 경우(예, 동일한 또는 동일 유형의 도로 표지가 없음), 스파스 맵은 랜드마크의 유형(표지 또는 특정 유형의 표지)를 나타내는 데이터를 사용하고, 항법(예, 자율 주행) 중에 자율주행차에 탑재된 카메라가 표지(또는 특정 유형의 표지)를 포함하는 지역의 이미지를 캡처하는 경우, 프로세서는 이미지를 처리하고, 표지를 검출하고(이미지 내에 표지가 실제로 존재하는 경우), 이미지를 표지(또는 특정 유형의 표지)로 분류하고, 표지의 위치를 스파스 맵에 저장된 표지의 위치와 연관 지을 수 있다.
도로 특징 표현
일부 실시예에서, 스파스 맵은 도로 구간을 따라 이어지는 도로면 특징과 도로 구간과 연관된 복수의 랜드마크를 나타내는 적어도 하나의 선 표현을 포함할 수 있다. 특정 양상에서, 스파스 맵은, 예를 들어 한 대 이상의 차량이 도로 구간을 횡단하며 획득한 복수의 이미지의 이미지 분석을 통한, "크라우드소싱"을 통하여 생성될 수 있다.
스파스 맵은 목표 궤적과 식별된 랜드마크 외에도 기타 다양한 도로 특징에 대한 정보를 포함할 수 있다. 예를 들어, 도 8a는 스파스 맵에 저장될 수 있는 특정 도로 구간의 굴곡을 나타낸 것이다. 일부 실시예에서, 도로의 단일 차로는 그 도로의 좌측과 우측에 대한 3차원 다항식 표현으로 모델링 될 수 있다. 단일 차로의 좌측과 우측을 나타내는 이러한 다항식이 도 8a에 도시되어 있다. 차로의 수와 관계없이, 도로는 도 8a에 도시된 바와 유사한 다항식을 사용하여 표현될 수 있다. 예를 들어, 다차선 도로의 좌측과 우측은 도 8a에 도시된 다항식과 유사한 다항식으로 표현될 수 있고, 다차선 도로에 포함된 중간 차로 표시(예, 차로 경계를 나타내는 파선, 중앙선을 나타내는 황색 실선 등)도 도 8a에 도시된 다항식과 유사한 다항식으로 표현될 수 있다.
도 8a에 도시된 바와 같이, 차로(800)는 다항식(예, 1차, 2차, 3차, 또는 그 이상 차수의 적합한 다항식)을 사용하여 표현될 수 있다. 예시를 위하여, 차로(800)는 2차원 차로로 도시했고, 다항식은 2차원 다항식으로 도시했다. 도 8a에 도시된 바와 같이, 차로(800)는 좌측(810)과 우측(820)을 포함한다. 일부 실시예에서, 둘 이상의 다항식을 사용하여 도로 또는 차로 경계의 각 측의 위치를 표현할 수 있다. 예를 들어, 좌측(810)과 우측(820)은 적합한 길이를 가진 복수의 다항식에 의해 표현될 수 있다. 일부의 경우, 다항식의 길이는 약 100미터일 수 있으며, 100미터보다 길거나 짧은 길이도 사용될 수 있다. 뿐만 아니라, 호스트 차량이 도로를 운행하면서 차후에 접하게 되는 다항식에 근거한 주행에서 매끄러운 이행을 가능하게 하기 위하여 다항식은 서로 겹칠 수 있다. 예를 들면, 좌측(810)과 우측(820)은 각각 약 100미터 길이(처음에 미리 설정된 범위의 예)의 구간으로 분리된 복수의 3차 다항식에 의해 표현되고 서로 약 50미터가 겹칠 수 있다. 좌측(810)과 우측(820)을 나타내는 다항식은 서로 같은 차수일 수도 있고 다른 차수일 수도 있다. 예를 들어, 일부 실시예에서, 일부 다항식은 2차 다항식이고, 일부 다항식은 3차 다항식이며, 일부 다항식은 4차 다항식일 수 있다.
도 8a에 도시된 예에서, 좌측(810)과 우측(820)은 두 그룹의 3차 다항식으로 표현된다. 제1그룹은 811, 812, 813으로 표시된 다항식 구간을 포함하고, 제2그룹은 814, 815, 816으로 표시된 다항식 구간을 포함한다. 실질적으로 서로 평행한 두 그룹은 도로의 상응하는 측의 위치에 따른다. 다항식 구간(811, 812, 813, 814, 815, 816)은 약 100미터이고 인접한 구간과 직렬로 약 50미터 겹친다. 앞서 설명한 바와 같이, 다른 길이를 가지고 다른 정도로 겹치는 다항식도 사용될 수 있다. 예를 들어, 다항식은 500미터, 1킬로미터 또는 그 이상일 수 있고, 0 내지 50미터, 50 내지 100미터, 또는 100미터 이상이 겹칠 수 있다. 또한, 도 8a의 예시가 2차원 공간(예, 종이 표면)에서 이어지는 다항식을 나타내는 반면, 이러한 다항식이 3차원(예, 높이 요소 포함)에서 이어지는 곡선을 표현하여 X-Y 곡률 외에도 도로 구간의 높낮이 변화를 나타낼 수 있음은 당연하다. 도 8a에 도시된 예에서, 차로(800)의 우측(820)은 다항식 구간(821, 822, 823)을 포함하는 제1그룹과 다항식 구간(824, 825, 826)을 포함하는 제2 구간에 의해 더 표현된다.
다시 스파스 맵의 목표 궤적에 관한 내용으로 돌아와서, 도 8b는 특정 도로 구간을 운행하는 차량에 대한 목표 궤적을 나타내는 3차원 다항식의 예시이다. 목표 궤적은 호스트 차량이 특정 도로 구간을 따라 운행해야 하는 X-Y 경로는 물론 호스트 차량이 이 도로 구간을 따라 운행하면서 접하게 될 높낮이 변화를 나타낸다. 따라서, 스파스 맵 내의 각 목표 궤적은 도 8b에 도시된 3차원 다항식(850)과 같은 하나 이상의 3차원 다항식에 의해 표현될 수 있다. 스파스 맵은 복수의 궤적(예, 전세계 도로의 다양한 도로 구간을 따라 운행하는 차량의 궤적을 나타내는 수백만 또는 수천만의 궤적)을 포함할 수 있다. 일부 실시예에서, 각 목표 궤적은 3차원 다항식 구간을 연결하는 스플라인에 상응할 수 있다.
스파스 맵에 저장된 다항식 곡선의 데이터 흔적에 관하여, 일부 실시예에서, 각 3차 다항식은 각각 4바이트의 데이터를 필요로 하는 4개의 파라미터에 의해 표현될 수 있다. 100미터 마다 약 192바이트의 데이터가 필요한 3차 다항식을 사용하면 적합한 표현이 얻어질 수 있다. 이는 시속 약 100킬로미터로 운행하는 호스트 차량은 대략 시간당 200kB의 데이터 사용/전송을 필요로 한다는 것을 의미할 수 있다.
스파스 맵은 기하 기술자(geometry descriptor) 및 메타데이터의 조합을 사용하여 차로망(lanes network)을 묘사할 수 있다. 기하는 위에서 설명한 바와 같이 다항식 또는 스플라인에 의해 기술될 수 있다. 메타데이터는 차로의 개수, 특수한 특성(카풀 차로 등), 및 기타 가능한 스파스 레이블을 기술할 수 있다. 이러한 지시자의 총 흔적은 무시해도 될 정도일 수 있다.
이에 따라, 본 기재의 실시예에 따른 스파스 맵은 도로 구간을 따라 이어지는 도로면 특징의 적어도 하나의 선 표현을 포함할 수 있으며, 여기서 각 선 표현은 도로면 특징과 실질적으로 상응하는 도로 구간을 따라가는 경로를 나타내는 것일 수 있다. 일부 실시예에서, 앞서 설명한 바와 같이, 도로면 특징의 적어도 하나의 선 표현은 스플라인, 다항식 표현, 또는 곡선을 포함할 수 있다. 또한, 일부 실시예에서, 도로면 특징은 도로 가장자리 및 차로 표시 중 적어도 하나를 포함할 수 있다. 또한, 하기에 "크라우드소싱"과 관련하여 설명하겠지만, 도로면 특징은 한 대 이상의 차량이 도로 구간을 횡단하며 획득한 복수의 이미지의 이미지 분석을 통하여 식별될 수 있다.
도 9a는 스파스 맵을 구축하거나 유지하는 과정에서 캡처 되는 궤적의 다항식 표현을 도시한 것이다. 스파스 맵에 포함된 목표 궤적의 다항식 표현은 이전에 차량들이 동일한 도로 구간을 횡단한 둘 이상의 재구성 궤적(reconstructed trajectory)에 의거하여 결정될 수 있다. 일부 실시예에서, 스파스 맵에 포함된 목표 궤적의 다항식 표현은 이전에 차량들이 동일한 도로 구간을 횡단한 둘 이상의 재구성 궤적의 합일 수 있다. 일부 실시예에서, 스파스 맵에 포함된 목표 궤적의 다항식 표현은 이전에 차량들이 동일한 도로 구간을 횡단한 둘 이상의 재구성 궤적의 평균일 수 있다. 도로 구간을 따라 횡단하는 차량으로부터 수집된 재구성 궤적에 의거하여 도로 경로의 목표 궤적을 구성하기 위하여 다른 수학적 연산이 사용될 수도 있다.
도 9a에 도시된 바와 같이, 도로 구간(900)에는 여러 차량(200)이 서로 다른 시간에 운행할 수 있다. 각 차량(200)은 도로 구간을 따라 운행하는 경로와 관련된 데이터를 수집할 수 있다. 특정 차량이 운행한 경로는 여러 가능한 소스 중에서 카메라 데이터, 가속도계 정보, 속력 센서 정보, 및/또는 GPS 정보에 의거하여 판단될 수 있다. 이러한 데이터는 도로 구간을 운행하는 차량의 궤적을 재구성하는데 사용될 수 있고, 이러한 재구성 궤적에 의거하여 특정 도로 구간에 대한 목표 궤적(또는 복수의 목표 궤적)이 결정될 수 있다. 이러한 목표 궤적은 호스트 차량이 도로 구간을 운행하는 바람직한 경로(예, 자율주행 시스템이 안내하는 경로)를 나타낼 수 있다.
도 9a의 예시에서, 제1 재구성 궤적(901)은 제1 시간 구간(예, 첫째 날)에 도로 구간(900)을 횡단한 제1 차량으로부터 수신한 데이터에 의거하여 결정될 수 있고, 제2 재구성 궤적(902)은 제2 시간 구간(예, 둘째 날)에 도로 구간(900)을 횡단한 제2 차량으로부터 획득될 수 있으며, 제3 재구성 궤적(903)은 제3 시간 구간(예, 셋째 날)에 도로 구간(900)을 횡단한 제3 차량으로부터 획득될 수 있다. 각 궤적(901, 902, 903)은 3차 다항식과 같은 다항식으로 표현될 수 있다. 한편, 일부 실시예에서는 재구성 궤적이 도로 구간(900)을 횡단하는 차량 자체에서 구성될 수 있다.
추가적으로, 또는 대안적으로, 이러한 재구성 궤적은 도로 구간(900)을 횡단하는 차량으로부터 수신된 정보에 의거하여 서버 측에서 결정될 수 있다. 예를 들어, 일부 실시예에서, 차량(200)은 도로 구간(900)을 따라 차량의 동작(예, 조향 각도, 진행방향, 시간, 위치, 속도, 감지된 도로 기하, 및/또는 감지된 랜드마크 등)에 관한 데이터를 하나 이상의 서버로 전송할 수 있다. 서버는 수신된 데이터에 의거하여 차량(200)에 대한 궤적을 재구성할 수 있다. 서버는 또한 제1, 제2, 제3 궤적(901, 902, 903)에 의거하여 나중에 동일 도로 구간(900)을 따라 운행할 자율주행차의 항법을 안내하기 위한 목표 궤적을 생성할 수 있다. 목표 궤적은 도로 구간의 이전 단일 운행과 연관될 수 있지만, 일부 실시예에서는, 스파스 맵에 포함된 각 목표 궤적은 동일 도로 구간을 운행한 차량의 둘 이상의 재구성 궤적에 의거하여 결정될 수 있다. 도 9a에서, 목표 궤적은 참조번호 910으로 표시돼 있다. 일부 실시예에서, 목표 궤적(910)은 제1, 제2, 제3 궤적(901, 902, 903)의 평균에 의거하여 생성될 수 있다. 일부 실시예에서, 스파스 맵에 포함된 목표 궤적(910)은 둘 이상의 재구성 궤적의 합(예, 가중치를 부가한 조합)일 수 있다. 운행 데이터를 정렬하여 궤적을 구성하는 것은 하기에 도 29를 참조하여 추가적으로 설명한다.
도 9b와 도 9c는 지리적 구역(911) 내에 존재하는 도로 구간과 관련된 목표 궤적의 개념을 예시한 것이다. 도 9b에 도시된 바와 같이, 지리적 구역(911) 내의 제1도로 구간(920)은 다차선 도로를 포함할 수 있으며, 이 다차선 도로는 제1방향으로 이동하는 차량에 지정된 두 차로(922)와 제1방향과 반대 방향인 제2방향으로 이동하는 차량에 지정된 추가적인 두 차로(924)를 포함할 수 있다. 차로(922)와 차로(924)는 이중 황색선(923)으로 분리될 수 있다. 지리적 구역(911)은 또한 도로 구간(920)과 교차하는 지선 도로 구간(930)을 포함할 수 있다. 도로 구간(930)은 2차선 도로를 포함할 수 있으며, 각 차로는 서로 다른 이동 방향으로 지정될 수 있다. 지리적 구역(911)은 또한 정지선(932), 일시정지표지판(934), 속도제한표지판(936), 및 위험표지판(938) 등의 기타 도로 특징을 포함할 수 있다.
도 9c에 도시된 바와 같이, 스파스 맵은 지리적 구역(911) 내에서 차량의 자율 주행을 지원하기 위한 도로 모델을 포함하는 로컬 지도(940)를 포함할 수 있다. 예를 들어, 로컬 지도(940)는 지리적 구역(911) 내의 도로 구간(920 및/또는 930)과 관련된 하나 이상의 차로의 목표 궤적을 포함할 수 있다. 예를 들어, 로컬 지도(940)는 자율주행차가 차로(922)를 운행할 때 접속하거나 의존할 목표 궤적(941 및/또는 942)을 포함할 수 있다. 마찬가지로, 로컬 지도(940)는 차로(924)를 운행할 때 접속하거나 의존할 목표 궤적(943 및/또는 944)을 포함할 수 있다. 나아가, 로컬 지도(940)는 차로(930)를 운행할 때 접속하거나 의존할 목표 궤적(945 및/또는 946)을 포함할 수 있다. 목표 궤적(947)은 자율주행차가 차로(920)으로부터(특히, 차로(920)의 최우측 차로와 관련된 목표 궤적(941)에 대하여) 도로 구간(930)으로(특히, 도로 구간(930)의 제1측과 관련된 목표 궤적(945)에 대하여) 이동할 때 운행해야 할 바람직한 경로를 나타낸다. 마찬가지로, 목표 궤적(948)은 자율주행차가 도로 구간(930)으로부터(특히, 목표 궤적(946)에 대하여) 도로 구간(924)의 일부분으로(특히, 도시된 바와 같이, 차로(924)의 좌측 차로와 연계된 목표 궤적(943)에 대하여) 이동할 때 운행해야 할 바람직한 경로를 나타낸다.
스파스 맵은 또한, 지리적 구역(911)과 관련된 기타 도로 관련 특징의 표현을 포함할 수 있다. 예를 들면, 스파스 맵은 또한, 지리적 구역(911)에서 식별된 하나 이상의 랜드마크의 표현을 포함할 수 있다. 이러한 랜드마크는 정지선(932)과 관련된 제1 랜드마크(950), 일시정지표지판(934)과 관련된 제2 랜드마크(952), 속도제한표지판(954)과 관련된 제3 랜드마크, 및 위험표지판(938)과 관련된 제4 랜드마크(956)를 포함할 수 있다. 이러한 랜드마크는, 예를 들어, 자율주행차가 도시된 목표 궤적의 어느 하나에 대한 현재 위치를 판단하는 데에 도움을 주어 판단된 위치에서 진행 방향을 목표 궤적에 일치시키도록 하기 위해 사용될 수 있다.
일부 실시예에서, 스파스 맵은 또한, 도로 특징 프로필을 포함할 수 있다. 이러한 도로 특징 프로필은 도로와 관련된 적어도 하나의 파라미터의 식별/측정 가능한 변화에 관한 것일 수 있다. 예를 들어, 일부의 경우, 이러한 프로필은 특정 도로 구간의 노면 거칠기의 변화와 같은 도로면 정보의 변화, 특정 도로 구간의 도로 폭의 변화, 특정 도로 구간에 그려진 파선 사이의 거리의 변화, 특정 도로 구간의 도로 곡률의 변화 등에 관한 것일 수 있다. 도 9d는 도로 특징 프로필(960)의 일례를 예시한 것이다. 여기서, 프로필(960)이 상기 파라미터의 어느 하나를 나타낼 수 있지만, 일례에서, 프로필(960)은, 예를 들어, 차량이 특정 도로 구간을 주행하면서 서스펜션 변위의 양을 나타내는 출력을 제공하는 하나 이상의 센서를 모니터하여 획득한 노면 거칠기의 측정치를 나타낼 수 있다.
대안적으로 또는 동시에, 프로필(960)은 특정 도로 구간을 주행하는 차량에 탑재된 카메라를 통해서 획득된 이미지 데이터에 의거하여 판단된 도로 폭의 변화를 나타낼 수 있다. 이러한 프로필은 예를 들어 특정 목표 궤적에 대한 자율주행차의 특정 위치를 판단하는데 유용할 수 있다. 즉, 자율주행차가 도로 구간을 운행하면서 도로 구간의 하나 이상의 파라미터와 관련된 프로필을 측정할 수 있다. 측정된 프로필이 도로 구간의 위치에 대한 파라미터 변화를 구성하는 미리 설정된 프로필과 상응/일치할 수 있으면, 측정된 프로필과 미리 설정된 프로필을 도로 구간 상의 현 위치, 즉, 도로 구간의 목표 궤적에 대한 현 위치를 판단하기 위해 사용(예, 측정된 프로필과 미리 설정된 프로필의 상응하는 부분을 오버레이)할 수 있다.
일부 실시예에서, 스파스 맵은 자율주행차의 사용자, 주변상황 조건, 및/또는 운행에 관한 기타 파라미터와 관련된 다른 특성들에 의거한 다른 궤적을 포함할 수 있다. 예를 들면, 일부 실시예에서, 다른 사용자 선호도 및/또는 프로필에 근거하여 다른 궤적이 생성될 수 있다. 이러한 다른 궤적을 포함하는 스파스 맵은 다른 사용자의 다른 자율주행차에 제공될 수 있다. 예를 들어, 일부 사용자는 유료도로를 선호하지 않을 수 있지만, 다른 사용자는 유료 여부와 상관없이 가장 짧거나 빠른 경로를 선호할 수 있다. 여기에 기재된 시스템은 이러한 다른 사용자 선호도 또는 프로필에 의거하여 다른 궤적을 가진 다른 스파스 맵을 생성할 수 있다. 다른 예에서, 일부 사용자는 빠른 차선으로 주행하는 것을 선호하는 반면, 다른 사용자는 항상 중앙 차선 주행만 유지하는 것을 선호할 수 있다.
다른 궤적은 주간, 야간, 강설, 강우, 안개 등의 다른 주변상황 조건에 의거하여 생성되고 스파스 맵에 포함될 수 있다. 다른 주변상황 조건하에서 운행하는 자율주행차에게는 이러한 다른 주변상황 조건에 의거하여 생성된 스파스 맵이 제공될 수 있다. 일부 실시예에서, 자율주행차에 제공된 카메라가 주변상황 조건을 검출하여 오히려 이러한 정보를 스파스 맵을 생성하고 제공하는 서버로 제공할 수 있다. 예를 들면, 서버는 검출된 주변상황 조건하에서 자율주행에 더 적합하거나 안전할 수 있는 궤적을 포함하도록 스파스 맵을 생성하거나 이미 생성된 스파스 맵을 업데이트 할 수 있다. 주변상황 조건에 의거한 스파스 맵의 업데이트는 자율주행차가 도로를 이동하면서 동적으로 수행될 수 있다.
다른 자율주행차에 다른 스파스 맵을 생성하고 제공하는 근거로 운전에 관한 다른 파라미터가 사용될 수 있다. 예를 들어, 자율주행차가 고속으로 운행하면, 급회전을 해야 할 수도 있다. 스파스 맵에는 도로보다는 특정 차로에 관한 궤적이 포함되어 자율주행차가 특정 궤적을 따라 특정 차로 내에서 유지되게 할 수 있다. 자율주행차에 탑재된 카메라에 의해 캡처 된 이미지가 차량이 차로를 이탈(예, 차선을 침범)한 것으로 나타날 경우, 특정 궤적에 따라 지정된 차로로 차량이 다시 들어오도록 하는 조치가 취해질 수 있다.
도 10은 복수의 3차원 스플라인(1001, 1002, 1003)으로 나타낸 자율주행차 도로 항법 모델의 예시를 도시한 것이다. 도 10에 도시된 곡선(1001, 1002, 1003)은 예시의 목적으로만 도시된 것이다. 각 스플라인은 복수의 데이터 포인트(1010)를 연결하는 하나 이상의 3차원 다항식을 포함할 수 있다. 각 다항식은 1차 다항식, 2차 다항식, 3차 다항식, 또는 기타 다른 차수를 가진 다항식의 조합일 수 있다. 각 데이터 포인트(1010)는 복수의 차량으로부터 수신된 항법 정보에 관한 것일 수 있다. 일부 실시예에서, 각 데이터 포인트(1010)는 랜드마크(예, 랜드마크의 크기, 위치 및 식별 정보) 및/또는 도로 특징 프로필(예, 도로 기하, 노면 상태 프로필, 도로 곡률 프로필, 도로 폭 프로필)에 관한 것일 수 있다. 일부 실시예에서, 일부 데이터 포인트(1010)는 랜드마크에 관한 것이고, 다른 데이터 포인트(1010)는 도로 특징 프로필에 관한 것일 수 있다.
도 11은 다섯 번의 서로 다른 운행으로부터 수신된 원시 위치 데이터(raw location data, 1110)(예, GPS 데이터)를 예시한 것이다. 한 운행이 같은 시간에 별개의 차량에 의해 이루어지거나, 별개의 시간에 동일한 차량에 의해 이루어지거나, 별개의 시간에 별개의 차량에 이루어지는 경우, 다른 운행과 별개의 운행일 수 있다. 위치 데이터(1110) 내의 오차 또는 동일 차로 내 차량들의 다른 위치(예, 한 차량이 다른 차량보다 차로의 좌측에 가깝게 운행하는 경우)를 감안하기 위하여, 원격 서버는 하나 이상의 통계적 방법을 활용하여 맵 스켈레톤(map skeleton, 1120)을 생성하여 원시 위치 데이터(1110) 내의 차이가 실제 차이를 나타내는지 또는 통계적 오차를 나타내는지를 판단할 수 있다. 맵 스켈레톤(1120) 내의 각 경로는 그 경로를 형성한 원시 데이터(1110)로 다시 링크 될 수 있다. 예를 들어, 스켈레톤(1120) 내의 A와 B 사이의 경로는 운행2, 운행3, 운행4 및 운행5로부터의 원시 데이터(1110)로 링크 되지만 운행1로부터의 원시 데이터(1110)로는 링크되지 않는다. 스켈레톤(1120)은 차량의 항법에 사용될 만큼 상세하지 않을 수 있지만(예, 앞서 설명한 스플라인과 달리, 동일 도로 상의 복수의 차로로부터의 운행을 병합하기 때문), 유용한 위상학적 정보(topological information)를 제공할 수 있고 교차로를 정의하기 위해 사용될 수 있다.
항법을 위한 안전 및 안락 제약
항법 모델 외에도, 자율주행차(완전 자율주행차 또는 하나 이상의 운전자 보조 시스템 또는 기능 등의 부분 자율주행차)는 자율주행차의 탑승자의 안락만이 아니라 다른 운전자 또는 보행자의 안전을 보장하기 위하여 일반적으로 주행 방침을 활용한다.
이에 따라, 자율주행차는 호스트 차량의 주변상황 내의 항법 상태를 감지할 수 있다. 예컨대, 자율주행차는 호스트 차량과 연관된 다양한 센서 및 센싱 시스템으로부터의 입력에 의존할 수 있다. 이러한 입력에는 하나 이상의 탑재된 카메라로부터의 이미지 또는 이미지 스트림, GPS 위치 정보, 가속도계 출력, 사용자 피드백, 또는 하나 이상의 사용자 인터페이스 장치, 레이더, 라이더 등으로의 사용자 입력이 포함될 수 있다. 감지는 지도 정보와 함께 카메라 및/또는 기타 모든 가능한 센서로부터의 데이터를 포함할 수 있고, 수집되고 분석되어 '감지된 상태'로 만들어져 호스트 차량의 주변상황 내의 장면으로부터 추출된 정보를 묘사할 수 있다. 감지된 상태는 타깃 차량, 차로 표시, 보행자, 신호등, 도로 기하, 차로 형상, 장애물, 다른 물체/차량까지의 거리, 상대 속도, 상대 가속도, 및 기타 잠재적 감지 정보 등에 관한 감지 정보를 포함할 수 있다. 제공되는 감지 데이터에 의거한 감지 상태 출력을 생성하기 위하여 지도형 머신 러닝(supervised machine learning)이 이행될 수 있다. 감지 모듈의 출력은 호스트 차량의 감지된 항법 '상태'를 나타낼 수 있고 하기에 설명하는 주행 방침에 활용될 수 있다.
감지된 상태가 호스트 차량과 연관된 하나 이상의 카메라 또는 이미지 센서로부터 수신된 이미지 데이터에 의거하여 만들어질 수 있는 반면, 항법에 사용될 감지된 상태는 적합한 센서 또는 센서들의 조합을 활용하여 만들어질 수 있다. 일부 실시예에서, 감지된 상태는 캡처된 이미지 데이터에 의존하지 않고 만들어질 수 있다. 실제로, 여기에 설명된 모든 항법 원리는 캡처된 이미지 데이터에 의거하여 만들어진 감지된 상태뿐만 아니라 기타 비이미지 기반 센서를 활용하여 만들어진 감지된 상태에도 적용될 수 있다. 감지된 상태는 또한 호스트 차량 외부의 소스를 통해 판단될 수 있다. 예를 들어, 감지된 상태는 호스트 차량으로부터 원격에 있는 소스로부터 수신된 정보에 의거하여(예, 다른 차량, 중앙 서버, 또는 호스트 차량의 항법 상태에 관한 정보의 기타 모든 소스와 공유된 센서 정보, 처리된 상태 정보 등에 의거하여) 모두 또는 일부가 만들어질 수 있다.
자율주행차는 감지된 항법 상태에 대응하여 호스트 차량이 취할 하나 이상의 항법 동작을 결정하기 위하여 원하는 주행 방침을 실행할 수 있다. 호스트 차량의 주변상황 내에 다른 요소(예, 타깃 차량 또는 보행자)가 존재하지 않는 경우, 감지된 상태는 상대적으로 간단 명료하게 처리될 수 있다. 감지된 상태가 하나 이상의 기타 요소와의 절충을 요구하는 경우에 이러한 작업은 복잡해진다. 주행 방침으로부터 출력을 생성하기 위해 활용되는 기술은 강화 학습(reinforcement learning)을 포함할 수 있고, 이에 대하여 하기에 상세히 설명한다. 주행 방침의 출력은 호스트 차량에 대한 적어도 하나의 항법 동작을 포함할 수 있고, 원하는 가속(호스트 차량에 대한 업데이트된 속력을 의미), 호스트 차량에 대한 원하는 요 레이트(yaw rate), 원하는 궤적, 및 기타 원하는 잠재적 항법 동작 등을 포함할 수 있다.
주행 방침의 출력에 의거하여, 자율주행차는 호스트 차량과 연관된 하나 이상의 액추에이터 또는 제어된 장치에 대한 제어 명령을 생성할 수 있다. 이러한 액추에이터 및 장치는 가속기, 하나 이상의 조향 제어기, 브레이크, 신호 전송기, 디스플레이, 또는 호스트 차량과 연관된 항법 조작의 일부로서 제어될 수 있는 기타 모든 액추에이터 또는 장치를 포함할 수 있다. 제어 명령을 생성하기 위하여 제어 이론의 양상이 활용될 수 있다. 호스트 차량의 제어가능한 요소로의 명령은 원하는 항법 목적 또는 주행 방침의 요구사항을 이행할 수 있다.
다시 주행 방침에 대한 설명으로 돌아와서, 일부 실시예에서, 강화 학습을 통하여 학습된 학습 시스템을 활용하여 주행 방침을 이행할 수 있다. 다른 실시예에서, 주행 방침은 자율 주행 중에 발생할 수 있는 다양한 상황에 '수동'으로 대응하는 특수 알고리즘을 사용함으로써 머신 러닝 방식을 사용하지 않고 이행될 수 있다. 그러나 이러한 접근은 이행 가능할지는 몰라도 너무 단순한 주행 방침을 채택할 수 있고, 머신 러닝에 의거한 학습 시스템이 갖는 유연성이 부족할 수 있다. 학습 시스템은 복잡한 항법 상태를 처리하기에 더 적합할 수 있고, 예를 들어, 택시가 주차중인지, 아니면 승객의 승하차를 위해 정지한 것인지 여부; 보행자가 호스트 차량 전방의 도로를 횡단하려고 하는지 여부; 다른 운전자의 예기치 않은 행동에 대한 방어적 균형; 타깃 차량 및/또는 보행자가 개입된 혼잡한 교통상황 절충; 일부 항법 규칙을 중단할 시점 또는 다른 규칙을 중시할 시점에 대한 결정; 감지되지 않았지만 예상된 조건(예, 차량 또는 장애물의 뒤에서 보행자가 튀어나올지 여부)에 대한 예상 등을 더 잘 판단할 수 있다. 강화 학습에 기반한 학습 시스템은 또한, 연속적인 특성의 동작 공간(action space)을 따라 있는 연속적이고 높은 차원의 상태 공간(state space)에 더 적합하게 대응할 수 있다.
강화 학습을 활용한 시스템의 학습은 감지된 상태로부터 항법 동작으로 매핑하기 위하여 주행 방침을 학습하는 것을 포함할 수 있다. 주행 방침은 의 함수이고, 여기서, S는 상태의 집합이고 는 동작 공간(예, 원하는 속력, 가속, 요 명령(yaw command) 등)이다. 상태 공간은 S = S s x S p 이고, 여기서 S s 는 감지하는 상태이고, S p 는 주행 방침에 의해 저장된 상태에 관한 추가 정보이다. 이산 시간 간격(discrete time intervals)에서 보자면, 시간 t에, 현재 상태 가 관찰될 수 있고, 주행 방침이 적용되어 원하는 동작 를 획득할 수 있다.
시스템은 다양한 항법 상태에 대한 노출을 통해 학습될 수 있고, 시스템으로 하여금 주행 방침을 적용하고 보상을 제공할 수(원하는 항법 동작에 보상을 주도록 설계된 보상 함수에 의거하여) 있다. 보상 피드백에 의거하여, 시스템은 주행 방침을 '학습'할 수 있고 원하는 항법 동작의 생성에 학습된다. 예를 들어, 학습 시스템은 현재 상태 를 관찰하고 방침 에 의거하여 동작 를 결정할 수 있다. 결정된 동작(및 이 동작의 이행)에 의거하여, 주변상황은 다음 상태 로 이동하여 학습 시스템에 의한 관찰을 할 수 있다. 관찰된 상태에 대응하여 생성된 각 동작에 대해, 학습 시스템으로의 피드백은 보상 신호 이다.
강화 학습(RL)의 목표는 일반적으로 방침 π를 구하는 것이다. 일반적으로, 시간 t에, 상태 s t 에 있는 것과 동작 a t 를 취하는 것의 즉각적인 품질을 측정하는 보상 함수 r t 가 있는 것으로 추정한다. 그러나, 시간 t에 동작 a t 를 취하는 것은 주변상황에 영향을 주고, 따라서 미래 상태의 값에도 영향을 준다. 이에 따라, 취할 동작을 결정함에 있어, 현재의 보상뿐만 아니라 미래의 보상도 고려해야 한다. 일부 경우에서, 낮은 보상을 지금 선택하면 나중에 더 큰 보상이 실현될 수 있다고 시스템이 판단하는 경우에, 특정 동작이 다른 선택보다 낮은 보상과 연관된다고 하더라도, 시스템은 특정 동작을 취해야 할 수 있다. 이를 공식화하기 위해, 요소가 상태 s 0 = s에서 시작하고 이로부터 방침 π를 따르는 경우, 방침 π와 초기 상태 s가 에 걸친 분포를 유도함을 관찰한다. 여기서, 벡터 (r 1 , …, r T )의 확률은 보상 r 1 , … , r T 을 관찰하는 확률이다. 초기 상태의 값은 다음과 같이 정의될 수 있다.
시간 지평(time horizon)을 T 로 한정하는 대신에, 추후 보상은 일부 고정 에 대해 다음과 같이 정의할 수 있다.
결국, 최적의 방침은 다음의 해법이다.
여기서, 예상은 초기 상태 s 이상이다.
주행 방침 시스템을 학습시키는 방법에는 여러가지가 있다. 예컨대, 시스템이 상태/동작 쌍으로부터 학습하는 모방 방식(예, 행동 복제)이 활용될 수 있는데, 여기서 동작은 관찰된 특정 상태에 대응하여 양호한 요소(예, 사람)에 의해 선택될 수 있는 것들이다. 사람 운전자가 관찰된다고 가정하면, 이러한 관찰을 통하여 많은 예의 형태 (s t , a t )가 획득되고, 관찰되며, 주행 방침 시스템의 학습을 위한 기반으로 사용될 수 있다. 여기서, s t 는 상태이고, a t 는 사람 운전자의 동작이다. 예를 들면, 가 되도록, 방침 π를 학습하기 위하여 지도형 러닝(supervised learning)을 활용할 수 있다. 이 방식에는 여러 잠재적 장점이 있다. 첫째, 보상 함수를 정의할 필요가 없다. 둘째, 학습을 지도할 수 있고, 오프라인 학습이 가능하다(학습 프로세스에 요소를 적용할 필요가 없음). 이 방법의 단점은 서로 다른 사람 운전자(심지어 동일한 사람 운전자)는 방침 선택에 결정적이지 못하다는 것이다. 따라서, 이 매우 작은 함수의 학습이 이행 불가능한 경우가 많다. 또한, 작은 오차가 시간과 함께 누적되어 큰 오차를 낼 수 있다.
또 다른 방식으로 방침 기반 학습이 활용될 수 있다. 여기서, 방침은 파라미터 형식으로 표현(representation)될 수 있고 적합한 최적화 방식(예, SGD(stochastic gradient descent))을 활용하여 직접 최적화 될 수 있다. 이 방식은 에 주어진 문제를 직접 풀기 위한 것이다. 물론, 문제를 푸는 방법은 많다. 이 방식의 한 가지 장점은 문제를 직접 풀 수 있고, 따라서 현실적으로 좋은 결과가 나오는 경우가 많다. 한 가지 잠재적 단점은 'on-policy' 학습을 요구하는 경우가 많은데, 즉, π의 학습은 반복 프로세스이며, 여기서, 반복 j에서 방침 πj는 완벽하지 않고(non-perfect), 다음 방침 πj를 구성하려면 πj에 기반한 동작을 하면서 주변상황과 상호작용을 해야 한다는 것을 의미한다.
시스템은 또한 가치 기반 학습(Q 또는 V 함수 학습)을 통해 학습될 수 있다. 최적값 함수 V*에 대한 상당히 정확한 근사치가 학습될 수 있다고 가정하면, 최적 방침이 구성될 수 있다(예, 벨만 방정식(Bellman equation)에 의존하여). 일부 버전의 가치 기반 학습은 오프라인으로 실행('off-policy' 학습으로 지칭)될 수 있다. 가치 기반 방식의 일부 단점은 마코비안 가정(Markovian assumptions)에 매우 의존해야 한다는 것과 복잡한 함수의 추정이 요구된다는 것이다(가치 함수를 추정하는 것이 방침을 직접 추정하는 것보다 어려울 수 있음).
다른 방식으로는 모델 기반 러닝과 플래닝(상태 이행의 확률 학습 및 최적 V 검색의 최적화 문제 해결)이 포함될 수 있다. 또한, 이러한 방식의 조합을 활용하여 러닝 시스템을 학습시킬 수 있다. 이 방식에서, 프로세스의 역학, 즉, (s t , a t )를 취하여 다음 상태 s t+1 에 걸친 분포를 산출하는 함수가 학습될 수 있다. 이 함수가 학습되면, 최적화 문제가 해결되어 값이 최적인 방침 ð를 구할 수 있다. 이를 '플래닝(planning)'이라 부른다. 이 방식의 한 가지 장점은 러닝 부분의 지도가 가능하고 트리플릿 (s t , a t , s t+1 )을 관찰함으로써 오프라인으로 적용이 가능하다는 것이다. 이 방식의 한 가지 단점은, '모방' 방식과 마찬가지로, 러닝 프로세스의 작은 에러가 누적되어 방침을 부적절하게 수행하게 될 수 있다는 것이다.
주행 방침의 학습을 위한 다른 방식에는 주행 방침 함수를 의미론적으로 유의미한 요소들로 분해하는 것이 포함될 수 있다. 이로써, 방침의 일부는 수동으로 이행되도록 하여 방침의 안전을 보장할 수 있고, 방침의 다른 부분은 강화 학습 방식을 활용하여 이행되도록 하여 다양한 상황에 대한 적응성, 방어적/공격적 행위 사이의 인간과 같은 균형, 및 다른 운전자와의 인간과 같은 절충 등을 가능하게 할 수 있다. 기술적 측면에서 볼 때, 강화 학습 방식은 몇 가지 방법론을 조합하고 다루기 쉬운 학습 절차를 제공할 수 있고, 학습의 대부분이 기록된 데이터 또는 자체 제작된 시뮬레이터를 활용해 수행될 수 있다.
일부 실시예에서, 주행 방침의 학습은 '옵션' 메커니즘에 의존할 수 있다. 이를 설명하기 위하여 2차선 고속도로에 대한 주행 방침의 단순한 상황을 가정하면, 직접 RL 방식에서, 방침 ð는 상태를 로 매핑하고, 여기서, π(s)의 제1 컴포넌트는 원하는 가속 명령이고 π(s)의 제2 컴포넌트는 요 레이트(yaw rate)이다. 수정 방식에서, 다음과 같은 방침이 구성될 수 있다.
자동 크루즈 컨트롤(Automatic Cruise Control(ACC)) 방침 : 본 방침은 항상 요 레이트로 0을 출력하고 부드럽고 사고 없는 주행을 이행하도록만 속력을 변경한다.
ACC+좌측 방침 : 본 방침의 종방향 명령은 ACC 명령과 동일하다. 요 레이트는 차량을 좌측 차로의 중앙으로 조정하면서 안전한 횡방향 이동을 유지하는(예, 좌측에 차량이 있는 경우에 이동을 하지 않는) 단순한 실행이다.
ACC+우측 방침 : o L 과 동일하되 차량을 우측 차로의 중앙으로 조정할 수 있다.
이러한 방침들은 '옵션'이라 불릴 수 있다. 이러한 '옵션'에 의존하여, 옵션 를 선택하는 방침이 학습될 수 있다. 여기서, O는 사용 가능한 옵션의 집합이다. 한 경우에서, 이다. 옵션-선택 방침 πo는 각 s에 대해 를 설정함으로써 실제 방침인 를 정의한다.
실질적으로, 방침 함수는 옵션 그래프로 분해될 수 있다. 옵션 그래프는 방향성 비순환 그래프(Directed Acyclic Graph (DAG))로서 정리된 결정의 계층적 집합을 나타낼 수 있다. 그래프에는 루트 노드(root node)라고 불리는 특별 노드가 있다. 이 노드에는 들어오는 노드가 없다. 결정 프로세스는 그래프의 루트 노드에서 시작하고 더 이상 다음 결정 라인이 없는 노드를 말하는 리프 노드(leaf node)에 도달할 때까지 이어진다. 리프 노드에 도달하면, 주행 방침은 리프 노드와 연관되어 원하는 항법 동작과 연관된 가속 및 조향 명령을 출력할 수 있다.
내부 노드는 유효한 옵션 중에서 자식(child)을 선택하는 방침을 결과적으로 이행할 수 있다. 내부 노드의 유효한 자식의 집합은 결정 라인을 통해 특정 내부 노드와 연관된 노드를 모두 포함할 수 있다.
의사 결정 시스템의 유연성은 노드가 옵션 그래프의 계층 내의 위치를 조정할 수 있게 함으로써 증가될 수 있다. 예를 들면, 어느 노드라도 스스로를 '중대'하다고 선언하는 것이 허용될 수 있다. 각 노드는 방침 이행의 중대한 섹션에 있는 경우에 '참'을 출력하는 '중대하다' 함수를 실행할 수 있다. 예를 들면, 차로 점유를 담당하는 노드는 실행 중에 스스로를 중대하다고 선언할 수 있다. 이로써 노드 u의 유효한 자식 집합에 제약을 부여할 수 있다. 여기서, 노드 u는 노드 u의 자식인 노드 v의 모두를 포함할 수 있고, 중대한 것으로 지정된 모든 노드를 거쳐서 노드 u로부터 리프 노드까지 이어지는 경로가 있다. 이러한 방식은, 한편으로는 옵션 그래프 상의 원하는 경로를 각 시간 단계에서 선언할 수 있게 하는 반면, 방침의 안정성이, 특히 방침의 중대한 부분이 이행되는 동안에, 보존될 수 있다.
옵션 그래프를 정의함으로써, 주행 방침 학습의 문제는 옵션 그래프의 각 노드에 대한 방침 정의의 문제로 분해될 수 있고, 각 내부 노드에서의 방침은 유효 자식 노드 중에서 선택해야 한다. 일부 노드에 대하여, 각 방침이 수동으로 이행(예, 관찰된 상태에 대응한 동작의 세트를 명시하는 if-then 유형의 알고리즘을 통해 이행)될 수 있는 반면에, 다른 노드에 대해서는 강화 학습을 통해 구축된 학습 시스템을 활용하여 방침이 이행될 수 있다. 수동 방식과 학습 방식 사이의 선택은 작업과 연관된 안전 측면과 상대적 단순성에 달려 있다. 옵션 그래프는 일부 노드들이 간단하게 이행되는 반면 다른 노드들은 학습 모델에 의존하도록 구성될 수 있다. 이러한 방식을 통해, 시스템의 안전한 동작이 보장될 수 있다.
앞서 설명한 바와 같이, 주행 방침으로의 입력은, 예를 들면, 사용 가능한 센서로부터 획득된 것과 같은 주변상황 지도를 요약하는 '감지된 상태'이다. 주행 방침의 출력은 궤적을 최적화 문제의 해법으로 정의하는 욕구(desire)의 집합(선택적으로, 하드 제약(hard constraints)의 집합과 함께)이다.
앞서 설명한 바와 같이, 옵션 그래프는 결정의 계층적 집합을 DAG로 나타낸 것이다. 그래프에는 '루트'로 불리는 특별 노드가 있다. 루트 노드는 그 안으로 들어오는 선(예, 결정 라인)이 없는 유일한 노드이다. 결정 프로세스는 그래프의 루트 노드에서 시작하고 더 이상 나가는 선이 없는 노드를 말하는 리프 노드에 도달할 때까지 이어진다. 각 내부 노드는 유효한 자식들 중에서 자식을 선택하는 방침을 이행해야 한다. 각 리프 노드는 루트로부터 리프까지의 전체 경로에 의거하여 욕구(Desires)의 집합(예, 호스트 차량에 대한 항법 목표의 집합)을 정의하는 방침을 이행해야 한다. 욕구의 집합은 감지된 상태에 직접 의거하여 정의된 하드 제약의 집합과 함께 해법이 차량에 대한 궤적인 최적화 문제를 설정한다. 하드 제약은 시스템의 안전성을 더 향상하기 위해 활용될 수 있고, 욕구는 시스템의 주행 편의와 인간과 같은 운전 행동을 제공하기 위해 활용될 수 있다. 최적화 문제의 해법으로 제공되는 궤적은 결과적으로 궤적을 완수하기 위해 제동, 및/또는 엔진 액추에이터에 제공되어야 하는 명령을 정의한다.
다양한 의미론적 의미가 호스트 차량의 주변상황 내에 있는 타깃 차량에 부여될 수 있다. 예를 들면, 일부 실시예에서, 다음과 같이 지정된 의미론적 의미가 포함될 수 있다. 1) 관련 없음: 장면 내의 감지된 차량이 현재 관련이 없음을 나타낸다. 2) 옆 차로: 감지된 차량이 인접 차로에 있고 이 차량에 대해 적절한 오프셋을 유지해야 한다는 것을 나타낸다(정확한 오프셋은 욕구 및 하드 제약을 고려하여 궤적을 구축하는 최적화 문제에서 계산될 수 있고 잠재적으로 차량에 따라 다를 수 있으며, 옵션 그래프의 차선 유지 리프는 타깃 차량의 의미론적 유형을 설정하여 타깃 차량에 대한 상대적 욕구를 정의한다.) 3) 양보: 호스트 차량은 예를 들어 감속을 함으로써(특히 타깃 차량이 호스트 차량의 차로로 끼어들어올 것으로 호스트 차량이 판단한 경우) 감지된 차량에 양보를 하려 할 것이다. 4) 선행: 호스트 차량은 예를 들어 가속을 함으로써 선행권(right of way) 점유를 시도할 것이다. 5) 추적: 호스트 차량은 타깃 차량을 따라가며 부드러운 주행을 유지하기를 바란다. 6) 좌/우측 점유: 호스트 차량이 좌측 또는 우측 차로로 차로 변경을 시도하고자 한다.
노드의 다른 예는 간격 선택 노드이다. 이 노드는 호스트 차량이 진입하고자 하는 특정 타깃 차로의 타깃 차량 두 대 사이의 간격의 선택을 담당할 수 있다. IDj 형태의 노드를 선택함으로써, 특정 j값에 대하여, 호스트 차량은 궤적 최적화 문제에 대한 욕구를 지정하는 리프에 도달한다. 예를 들면, 호스트 차량은 선택된 간격에 도달하도록 조작을 하고자 한다. 이러한 조작은 현재 차로에서 먼저 가속/제동을 한 후에 적절한 시간에 타깃 차로로 진행하여 선택된 간격에 진입하는 것을 포함할 수 있다. 간격 선택 노드가 적절한 간격을 찾을 수 없는 경우에는, 현재 차로의 중앙으로 돌아오고 점유를 취소하고자 하는 욕구를 정의하는 노드인 중단 노드로 이동할 수 있다.
앞서 설명한 바와 같이, 옵션 그래프의 노드들은 스스로를 '중대'하다고 선언할 수 있고, 이로써 선택된 옵션이 중대한 노드들을 거쳐가도록 할 수 있다. 공식적으로, 각 노드는 IsCritical 함수를 실행할 수 있다. 옵션 그래프 상에서 루트로부터 리프까지의 포워드 패스(forward pass)를 수행하고 궤적 계획의 최적화 문제를 해결한 이후, 다시 리프로부터 루트까지의 백워드 패스(backward pass)가 수행될 수 있다. 이러한 백워드 패스를 따라, 모든 노드의 IsCritical 함수가 호출되고, 모든 중대한 노드의 목록이 저장될 수 있다. 다음 시간 프레임에 상응하는 포워드 경로에서, 주행 방침은 중대한 노드를 모두 거쳐가는 루트 노드로부터 리프까지의 경로를 선택하도록 요구될 수 있다.
예를 들면, 점유 동작이 시작되고 주행 방침이 IDk에 상응하는 리프에 도달하는 상황에서, 호스트 차량이 점유 동작 중에 있는 경우에 예를 들어 유지 노드를 선택하는 것은 바람직하지 않을 것이다. 이러한 불안정(jumpiness)을 피하기 위해, IDj 노드는 스스로를 중대한 노드로 지정할 수 있다. 동작 중에, 궤적 계획의 성공이 모니터 될 수 있고, IsCritical 함수는 점유 동작이 의도한 대로 진행될 경우에 'True' 값을 산출할 것이다. 이 방식은 다음 시간 프레임에서 점유 동작이 계속될 것을(초기에 선택된 동작의 완료 이전에 잠재적으로 일관되지 않은 다른 동작으로 건너뛰지 않고) 보장할 수 있다. 반면에, 동작의 모니터링 결과, 선택된 동작이 의도한 대로 진행되지 않는 것으로 나타나는 경우, 또는 동작이 필요 없거나 불가능해진 경우, IsCritical 함수는 'False' 값을 산출할 수 있다. 이로써, 간격 선택 노드가 다음 시간 프레임에서 다른 간격을 선택하거나 점유 동작을 아예 중단할 수 있다. 이 방식은 한 편으로는 각 시간 단계에서 옵션 그래프 상의 원하는 경로를 선언할 수 있게 해주는 반면, 다른 한 편으로는 실행의 중대한 부분에 있는 동안에 방침의 안정성을 도모할 수 있다.
하기에 상세히 설명할 하드 제약은 항법 욕구와 구별될 수 있다. 예를 들면, 하드 제약은 예정 항법 동작의 필터링 레이어를 추가함으로써 안전한 운전을 기할 수 있다. 강화 학습에 기반한 학습 시스템의 활용을 통하기 보다는 수동으로 프로그램 및 정의될 수 있는 시사된 하드 제약은 감지된 상태로부터 판단될 수 있다. 그러나, 일부 실시예에서, 학습 시스템은 적용되고 준수할 해당 하드 제약을 학습할 수 있다. 이러한 방법은 추후 수정이 필요할 수 있는 선택된 동작을 감소 또는 제거할 수 있는 해당 하드 제약을 이미 준수하는 선택된 동작에 도달하는 주행 방침이 해당 하드 제약을 준수하게 도모할 수 있다. 그러나, 다중 안전 조치로서, 주행 방침이 미리 정해진 하드 제약을 담당하도록 학습된 상황에서마저 주행 방침의 출력에 하드 제약이 적용될 수 있다.
잠재적 하드 제약에는 많은 예가 있다. 예를 들면, 하드 제약은 도로의 가장자리에 있는 가드레일과 함께 정의될 수 있다. 어느 경우에도 호스트 차량이 가드레일을 통과하도록 해서는 안된다. 이러한 규칙은 호스트 차량의 궤적에 대한 횡방향 하드 제약을 초래한다. 하드 제약의 다른 예에는 도로 턱(예, 속도방지턱)이 포함될 수 있다. 즉, 방지턱 이전과 통과시의 속력에 대한 하드 제약을 초래할 수 있다. 하드 제약은 안전에 결정적인 것으로 간주될 수 있으므로 학습 동안에 제약을 학습하는 학습 시스템에만 의존하기보다는 수동으로 정의될 수 있다.
하드 제약과 대조적으로, 욕구의 목표는 편안한 주행일 수 있다. 앞서 설명한 바와 같이, 욕구의 예에는 호스트 차량 차로의 중앙에 상응하는 차로 내의 횡방향 위치에 호스트 차량을 위치시키고자 하는 목표가 포함될 수 있다. 다른 욕구는 들어갈 간격의 ID를 포함할 수 있다. 여기서, 호스트 차량이 차로의 중앙에 정확하게 있어야 한다는 요건은 없지만, 중앙에 최대한 가까이 있고자 하는 욕구는 호스트 차량이 차로의 중앙으로부터 이탈하는 경우에조차 차로의 중앙으로 이동하려는 경향을 보장할 수 있다. 욕구는 안전에 결정적이지 않을 수 있다. 일부 실시예에서, 욕구는 다른 운전자 및 보행자와의 절충을 요구할 수 있다. 욕구를 구성하기 위한 한 가지 방법은 옵션 그래프에 의존하는 것이며, 옵션 그래프의 적어도 일부 노드에 이행된 방침은 강화 학습에 기반할 수 있다.
러닝에 기반하여 학습된 노드로서 이행된 옵션 그래프의 노드에 대하여, 학습 프로세스는 문제를 지도형 학습 단계와 강화 학습 단계로 분해하는 것을 포함할 수 있다. 지도형 학습 단계에서, 이 성립되도록 로부터 로의 구별 가능한 매핑이 학습될 수 있다. 이는 '모델 기반' 강화 학습과 유사할 수 있다. 그러나 네트워크의 포워드 루프(forward loop)에서, 은 s t +1의 실제값으로 대체될 수 있고, 따라서 오차 누적의 문제를 제거할 수 있다. 의 예측의 역할은 미래로부터의 메시지를 과거의 동작으로 다시 전파하는 것이다. 이러한 차원에서, 알고리즘은 '모델 기반' 강화 학습과 '방침 기반 학습'의 조합일 수 있다.
일부 상황에서 제공될 수 있는 중요한 한 요소는 미래의 손실/보상으로부터 다시 동작에 대한 결정으로의 구별 가능한 경로이다. 옵션 그래프 구조에서 안전 제약이 관여된 옵션의 이행은 보통 구별 가능하지 않다. 이 문제를 극복하기 위하여, 학습된 정책 노드에서 자식의 선택은 추계적(stochastic)일 수 있다. 즉, 노드는 특정 노드의 자식 각각의 선택에 활용되는 확률을 부여하는 확률 벡터 p를 출력할 수 있다. 한 노드에 k만큼의 자식이 있고 가 각 자식부터 리프까지의 경로의 동작이라고 가정하면, 결과적으로 예측된 동작은 동작에서 p까지의 구별 가능한 경로가 될 수 있는 이다. 실제로, 동작 a는 i ~ p에 대해 a (i) 로 뽑힐 수 있고, a와 사이의 차이는 상가성 잡음(additive noise)으로 불릴 수 있다.
s t , a t 를 고려한 의 학습에서, 지도형 학습은 실제 데이터와 함께 활용될 수 있다. 노드의 방침을 학습시키기 위해, 시뮬레이터가 사용될 수 있다. 추후에, 실제 데이터를 사용하여 방침을 미세 조정할 수 있다. 두 가지 개념을 통해 시뮬레이션이 더욱 현실적이 될 수 있다. 첫째, 모방을 활용하여, '행동 복제(behavior cloning)' 패러다임을 사용하고 대량의 실제 데이터 세트를 사용하여 초기 방침이 구성될 수 있다. 일부의 경우, 그 결과의 에이전트(agent)가 적합할 수 있다. 다른 경우, 그 결과의 에이전트는 적어도 도로 상의 다른 에이전트에 대한 매우 훌륭한 초기 방침을 형성한다. 둘째, 셀프 플레이(self-play)를 활용하여, 우리 자신의 방침을 사용하여 학습을 증강시킬 수 있다. 예를 들어, 경험될 수 있는 다른 에이전트(차/보행자)의 초기 실행을 고려할 때, 방침은 시뮬레이터에 의거하여 학습될 수 있다. 다른 에이전트의 일부는 새로운 방침으로 대체될 수 있고, 프로세스는 반복될 수 있다. 그 결과, 방침은 다른 차원의 세련도를 가진 더욱 다양한 다른 에이전트에 대응해야 하므로 지속적으로 향상될 수 있다.
나아가, 일부 실시예에서, 시스템은 멀티-에이전트(multi-agent) 방식을 이행할 수 있다. 예를 들면, 시스템은 다양한 소스로부터의 데이터 및/또는 여러 각도에서 캡처하는 이미지를 고려할 수 있다. 또한, 호스트 차량이 직접 관여되지 않지만 호스트 차량에 영향을 미치는 이벤트의 예상이 고려되거나, 심지어 다른 차량이 관여된 예측할 수 없는 상황을 초래할 수 있는 이벤트의 예상이 고려될 수 있으므로(예, 레이더가 호스트 차량에 영향을 미칠 피할 수 없는 또는 매우 가능성이 높은 이벤트와 선두 차량을 '간파'할 수 있음), 일부 기재된 실시예는 에너지의 경제를 제공할 수 있다.
글로벌 정확도와 로컬 정확도
자율주행의 맥락에서, 카메라 또는 센서 등으로부터의 측정치의 정확도를 적절히 정의(및 그 결과로 조건을 부과)하기 위하여 손실 함수(loss function)가 정의될 수 있다. 이에 따라, 장면은 물체(예: 차량, 보행자, 차로 표시 등)의 유한집합 S로 정의될 수 있다. S에는 h로 표시될 수 있는 호스트 차량이 들어있을 수 있다. 이 맥락에서, 측위(positioning)는 매핑 p:S 을 포함할 수 있고, 여기서, p(h) = 0 = (0, 0, 0)이다. 이에 따라, p(a)의 제1 좌표는 물체의 횡방향 위치를 포함할 수 있고, 제2 좌표는 물체의 종방향 위치를 포함할 수 있고, 제3 좌표는 물체의 높이를 포함할 수 있다.
따라서, 손실 함수는 집합 S 내의 두 물체 a와 b에 대한 두 측위 p와 p^ 사이에서 정의될 수 있다. 손실 함수는 다음과 같이 정의될 수 있다.
손실 함수에 제약을 부과하는 것은 일반적으로 현실적이지 않다. 예를 들어, 물체 a가 측위 p(a) = (α, z, 0)에 있는 차량이고 물체 b가 p(b) = (-α, z, 0)에 있는 차로 표시라고 하면, 각각 및 에 있는 a와 b의 제2 측위의 결과로 β의 손실이 발생할 것이다. 이에 따라, 물체 a와 b가 150미터의 종방향 위치에 있고 손실 β가 0.2(즉, 20%)라고 하면, 대부분의 손실을 수용할 수 없게 만들기 때문에 20cm의 절대 손실 제약을 부과하는 것이 불가능하다.
이에 따라, 상대 손실 함수는 다음과 같이 정의될 수 있다.
여기서, v는 (0, 1]이다.
손실 함수를 정규화(normalize) 함으로써, 더 멀리 떨어진 물체에 대해 더 큰 손실을 고려하는 현실적인 손실 제약이 부과될 수 있다. 그러나, 정규화 된 손실 함수를 활용하여 정확도를 정의하는 방법에는 두 가지가 있다. 하나는 자체 정확도이고 호스트 차량 h에 대해 측정된다.
여기서, 는 손실 제약이다.
그러나, 이 요건은 차량의 시야에서 검출된 물체의 범위 z에 달려있는데, 이는 p(h) = p^(h) = 0인 경우에, p(a) = (α, z, 0)이고, 이기 때문이다.
.
범위 z에 대한 의존을 피하려면, 쌍별(pairwise)인 정확도의 다른 정의가 사용될 수 있다.
,
여기서, 는 손실 제약이다.
및 에 대하여, 쌍별 정확도는 다음과 같이 단순화 될 수 있다.
.
따라서, 이고, 이는 z에 종속되지 않는다.
또한, 쌍별 정확도가 없이 자체 정확도가 있는 상황이 있다. 특히, 이면, 가 되도록 이다. 이에 따라, 이고, 이는 z > 2의 결과가 쌍별 정확도의 손실임을 의미한다.
한 특정 예에서, = 0.2이고 z = 100미터인 경우, β = 2미터인데, 이는 100미터 당 2미터의 합리적인 손실 제약에 해당한다. 그러나 이는 의 결과를 가져오고, 쌍별 정확도 0.02의 50배에 해당하는 상황임을 의미한다. 쌍별 정확도를 확보하기 위하여, z = 1미터이고 β = 0.02로 설정하여 그 결과로 100미터 범위의 오차가 2센티미터가 되게 할 수 있다. 그러나, 이는 현존하는 대부분의 센서를 감안하면 현실적이지 않다. 반면, 자체 정확도를 무시하고 쌍별 정확도를 현실적으로 집행할 수 있다. 이러한 정확도를 집행하기 위하여, 장면의 연관 물체(예, 차량, 보행자, 차로 등)가 동시에 있는 참조 좌표 프레임(reference coordinate frame)이 사용될 수 있다. 그러나, 이는 라이더, GPS, 또는 기타 센서보다는 카메라를 사용해야 할 수 있다.
이에 따라, 일부 실시예에서, 호스트 차량 항법 시스템은 차량의 3차원 좌표 시스템 대신에 카메라의 2차원 좌표 시스템을 활용할 수 있다. 이후, 시스템은 지도(예, 스파스 맵의 랜드마크 및 스플라인)를 2차원 좌표 시스템상으로 변환하고 2차원 좌표 시스템에서 항법을 수행할 수 있다. 또한, 시스템은 2차원 좌표 시스템에서 내린 결정을 3차원 좌표 시스템으로 변환하여 3차원 좌표 시스템에서 항법을 수행할 수 있다. 이로써 자체 정확도보다는 쌍별 정확도를 집행하고, 안전과 신뢰도의 향상을 제공할 수 있다. 또한, 이 방식은 시스템의 효율을 향상하는데, 이는 2차원으로 지도를 변환하는 것이 3차원으로 이미지를 변환하는 것보다 빠르고 2차원에서 예측과 항법을 수행하는 것이 3차원에서보다 빠르기 때문이다.
예시적인 일 실시예에서, 항법 시스템은 호스트 차량의 위치를 판단할 수 있다. 예를 들어, 호스트 차량의 위치는 지리적 영역 이내에 있을 수 있다. 항법 시스템은 또한, 이 지리적 영역을 포함하는 지도에 접속할 수 있다. 예를 들어, 항법 시스템은 이 저장된 지도에 접속하거나 하나 이상의 원격 서버로부터 지리적 영역을 포함하는 지도에 접속할 수 있다. 일부 실시예에서, 지도는 스파스 맵 또는 지리적 영역에 의거한 로드북(roadbook; 하기에 설명) 또는 그 일부를 포함할 수 있다. 앞서 설명한 바와 같이, 스파스 맵은 미리 정해진 이동 경로 및/또는 적어도 하나의 랜드마크를 나타내는 적어도 하나의 스플라인을 포함할 수 있다. 이에 따라, 적어도 하나의 특징은 적어도 하나의 랜드마크를 포함할 수 있다.
항법 시스템은 호스트 차량의 위치에 의거하여 지도에서 적어도 하나의 특징을 추출할 수 있다. 예컨대, 항법 시스템은 호스트 차량의 시야를 판단할 수 있고 호스트 차량의 위치에 의거하여 이 시야에 있을 것으로 예상되는 적어도 하나의 특징을 추출할 수 있다. 일부 실시예에서, 적어도 하나의 특징은 지도에 포함된 차로 표시, 도로 가장자리, 또는 기타 랜드마크를 포함할 수 있다. 예를 들어, 도로 가장자리는 차로 표시, 도로 경계석, 가드레일, 배리어 중의 적어도 하나를 포함할 수 있다.
항법 시스템은 호스트 차량의 주변상황을 나타내는 적어도 하나의 이미지를 적어도 하나의 이미지 센서로부터 수신하고, 적어도 하나의 특징의 좌표를 지도의 좌표 시스템으로부터 적어도 하나의 이미지 센서의 좌표 시스템으로 변환할 수 있다. 예를 들어, 지도의 좌표 시스템은 3차원 좌표 시스템(예, GPS 기반의 글로벌 좌표 시스템, 지리적 영역에 포함된 도로 구간의 현지 좌표 시스템 등)을 포함할 수 있고, 적어도 하나의 이미지 센서의 좌표 시스템은 적어도 하나의 이미지 센서의 시야에 기반한 2차원 좌표 시스템을 포함할 수 있다. 일부 실시예에서, 적어도 하나의 특징은 지도의 3차원 좌표 시스템으로부터 호스트 차량에 초점이 맞추어진 3차원 좌표 시스템으로 변형(예, 위치를 활용하여)된 후에 적어도 하나의 이미지 센서의 2차원 평면상으로 투영(예, 호스트 차량과 시야 사이의 알려진 관계를 활용하여)될 수 있다.
항법 시스템은 적어도 하나의 이미지를 분석하여 호스트 차량의 주변상황 내에서 적어도 하나의 특징을 식별하고, 적어도 하나의 이미지 내의 변환된 좌표와 식별된 적어도 하나의 특징의 좌표 간의 비교에 의거하여 호스트 차량에 적어도 하나의 항법 변경을 유발할 수 있다. 예를 들면, 항법 시스템은 변환된 좌표에 의거하여 적어도 하나의 이미지 센서의 2차원 좌표 시스템에서 적어도 하나의 특징의 예상 위치를 판단하고, 적어도 하나의 이미지 센서로부터 수신된 하나 이상의 이미지를 이 예상 위치에서 및/또는 이 예상 위치 부근에서 검색할 수 있다. 부근의 의미는 절대적 의미로 판단 (예, 예상 위치로부터 10 픽셀 이내, 20 픽셀 이내 등)되거나 상대적 의미로 판단(예, 적어도 하나의 특징의 길이나 폭과 같은 예상 치수의 10% 이내 등)될 수있다.
일부 실시예에서, 항법 변경의 적어도 하나는 호스트 차량의 감속, 호스트 차량의 가속, 또는 호스트 차량의 조향 메커니즘의 활성화를 포함할 수 있다. 예컨대, 호스트 차량은 적어도 하나의 이미지 내의 적어도 하나의 특징의 식별된 위치와 변환된 좌표에 의거한 예상 위치 사이의 차이에 의거하여 감속, 가속, 및/또는 조향을 할 수 있다.
일부 실시예에서, 적어도 하나의 항법 변경은 적어도 하나의 이미지 센서의 좌표 시스템 내에서 결정될 수 있다. 예를 들어, 적어도 하나의 이미지 내의 적어도 하나의 특징의 식별된 위치와 변환된 좌표에 의거한 예상 위치 사이의 차이에 의거하여 벡터가 결정될 수 있다. 이 벡터는 적어도 하나의 특징이 예상된 위치에 나타나도록 하는 적어도 하나의 항법 변경을 나타내는 것일 수 있다. 이러한 실시예에서, 항법 시스템은 적어도 하나의 항법 변경을 지도의 좌표 시스템으로 변환할 수 있다. 예컨대, 항법 시스템은 적어도 하나의 이미지에서의 적어도 하나의 특징의 깊이 및/또는 지도로부터의 적어도 하나의 특징의 예상 깊이에 의거하여 차이 벡터를 3차원 좌표 시스템(예, 글로벌 좌표 시스템 또는 호스트 차량에 초점이 맞추어진 좌표 시스템) 안으로 투영할 수 있다.
안락 및 안전 제약과의 융합
일부 실시예에서, 호스트 차량은 카메라, 라이더, 레이더 등과 결합된 지도 데이터와 같은 데이터를 여러 소스로부터 수신할 수 있다. 호스트 차량의 항법 시스템은 서로 다른 스키마(scheme)를 활용하여 다양한 소스로부터의 데이터를 융합할 수 있다. 예를 들어, 단일화 스키마(unification scheme)에서, 항법 시스템은 타깃 물체가 적어도 하나의 소스에 의해 검출되는 경우 확인(즉, 잠재적 물체가 검출된 물체로 실제로 간주되어야 함을 확인)할 수 있다. 이는 빠르긴 하지만 정확도가 낮은 검출 방식이다. 교차 스키마(intersection scheme)에서, 항법 시스템은 타깃 물체가 여러 소스에 의해 검출되는 경우에 승인할 수 있고, 시너지 스키마(synergy scheme)에서, 항법 시스템은 여러 소스로부터의 데이터의 조합을 활용하여 검출되는 경우에 타깃 물체를 승인할 수 있다. 교차 스키마와 시너지 스키마는 느리기는 하지만 단일화 스키마보다 정확하다. 이에 따라, 단일화 스키마뿐만 아니라 교차 스키마와 시너지 스키마를 선택적으로 사용함으로써, 안전을 희생하지 않고도 시스템의 반응 정확도가 최적화될 수 있다. 이로써, 자율주행차로부터의 센서 데이터를 안전에 대한 희생 없이 정확하게 해석하는 방법에 대한 기술적 문제를 해결할 수 있다.
도 12는 기재된 실시예에 따른 하나 이상의 동작의 수행을 위한 명령이 저장/프로그램 될 수 있는 메모리(140 및/또는 150)의 예시적인 기능 구성도이다. 하기에는 메모리(140)에 관하여 설명하지만, 명령이 메모리(140) 및/또는 메모리(150)에 저장될 수 있음은 당업자에게 당연할 것이다.
도 12에 도시된 바와 같이, 메모리(140)는 물체 식별 모듈(1202), 제약 모듈(1204), 확인 모듈(1206), 및 항법 변경 모듈(1208)을 저장할 수 있다. 기재된 실시예들은 메모리(140)의 특정 구성으로 한정되지 않는다. 또한, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 메모리(140)에 포함된 어느 하나 이상의 모듈(1202, 1204, 1206, 1208)에 저장된 명령을 실행할 수 있다. 당업자라면 하기의 처리부(110)에 관한 설명이 개별적으로 또는 집합적으로 애플리케이션 프로세서(180)와 이미지 프로세서(190)에 관한 것일 수 있다는 것을 이해할 수 있을 것이다. 이에 따라, 하기의 프로세스의 단계들은 하나 이상의 처리 장치에 의해 수행될 수 있다.
일 실시예에서, 물체 식별 모듈(1202)은, 처리부(110)에 의해 실행될 경우 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신하고 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 제1 데이터 소스와 제2 데이터 소스 중의 적어도 하나는 호스트 차량에 탑재된 센서를 포함한다. 예컨대, 물체 식별 모듈(1202)은 호스트 차량에 탑재된 제1 센서로부터 제1 출력을 수신하고 호스트 차량에 탑재된 제2 센서로부터 제2 출력을 수신할 수 있다. 이에 따라, 제1 데이터 소스는 호스트 차량에 탑재된 카메라, 라이더, 레이더 중의 적어도 하나를 포함하고, 제2 데이터 소스는 호스트 차량에 탑재된 카메라, 라이더, 레이더 중에서 제1 데이터 소스와 다른 적어도 하나를 포함할 수 있다.
대안적으로, 물체 식별 모듈(1202)은 호스트 차량에 탑재된 제1 센서로부터 제1 출력을 수신하고 처리부(110)에 의해 접속된 지도로부터 제2 출력을 수신할 수 있다. 이에 따라, 제1 데이터 소스는 호스트 차량에 탑재된 카메라, 라이더, 레이더 중의 적어도 하나를 포함하고, 제2 데이터 소스는 지도 데이터를 포함할 수 있다.
일 실시예에서, 물체 식별 모듈(1202)은, 처리부(110)에 의해 실행될 경우 타깃 물체를 나타내는 묘사representation)를 제1 출력에서 식별하도록 하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 예를 들어, 물체 식별 모듈(1202)은 타깃 물체를 나타내는 표현(representation)을 식별하기 위하여 앞서 설명한 프로세스(500B)의 전부 또는 일부를 실행할 수 있다.
일례에서, 물체 식별 모듈(1202)은 제1 출력을 스캔하고, 제1 출력을 하나 이상의 미리 정해진 패턴에 비교하고, 관심 물체(예, 차량, 보행자, 고정 물체, 차로 표시 등)를 포함할 수 있는 가능한 위치를 제1 출력 이내에서 식별함으로써 타깃 물체(예, 차량, 보행자, 고정 물체, 차로 표시 등)를 나타내는 후보 물체 모음을 판단할 수 있다. 미리 정해진 패턴은 제1 센서로부터의 출력의 유형과 일치할 수 있다. 예를 들면, 제1 센서가 카메라인 경우, 미리 정해진 패턴은 시각적 패턴일 수 있는 반면, 제1 센서가 마이크인 경우, 미리 정해진 패턴은 음향 패턴일 수 있다. 일부 실시예에서, 미리 정해진 패턴은 높은 비율의 '오탐'과 낮은 비율의 '누락'을 달성하도록 구성될 수 있다. 예를 들어, 물체 식별 모듈(1202)은 타깃 물체를 나타내는 후보 물체를 놓칠(즉, 식별하지 못할) 확률을 낮추기 위하여 타깃 물체일 가능성이 있는 후보 물체를 식별하기 위한 미리 정해진 패턴에 낮은 유사 임계값을 사용할 수 있다.
물체 식별 모듈(1202)은 분류 기준에 의거하여 후보 물체 모음을 필터링하여 특정 후보(예, 관련이 없거나 적은 물체)를 제외할 수 있다. 이러한 기준은 데이터베이스, 예를 들어, 메모리(140, 미도시)에 저장 및/또는 하나 이상의 원격 서버로부터 접속된 데이터베이스에 저장된 물체 유형과 연관된 다양한 성질로부터 도출할 수 있다. 여기서, 물체 유형의 성질은 물체의 모양, 크기, 질감, 위치(예, 호스트 차량에 대한 상대적 위치), 속도(예, 호스트 차량에 대한 상대적 속도) 등을 포함할 수 있다. 따라서, 물체 식별 모듈(1202)은 기준의 하나 이상의 모음을 사용하여 후보 물체 모음 중에서 거짓 후보를 제외시킬 수 있다.
제1 출력이 시간에 걸친 여러 프레임을 포함하는 실시예에서, 물체 식별 모듈(1202)은 또한, 제1 출력의 다중 프레임을 분석하여 후보 물체 모음 내의 물체가 타깃 물체를 나타내는지 여부를 판단할 수 있다. 예를 들면, 물체 식별 모듈(1202)은 검출된 후보 물체를 연속된 프레임에 걸쳐 추적하고 검출된 물체와 연관된 데이터(예, 크기, 호스트 차량에 대한 상대적 위치, 호스트 차량에 대한 상대적 속도 등)를 프레임별로 모을 수 있다. 추가적으로 또는 대안적으로, 물체 식별 모듈(1202)은 검출된 물체에 대한 파라미터를 추정하고 물체의 프레임별 위치 데이터를 예상 위치와 비교할 수 있다. 제1 출력은 이미지일 수 있지만, '프레임'의 활용이 반드시 제1 출력이 이미지라는 것을 암시하지는 않는다. 여기에서 사용되는 '프레임'이란 용어는 제1 센서, 제2 센서, 또는 기타 모든 추가적인 센서로부터 시간에 걸쳐 수신된 측정치의 모든 이산 시퀀스(discretized sequence)를 의미한다.
물체 식별 모듈(1202)은 또한 검출된 물체에 대한 측정치 모음을 구성할 수 있다. 이러한 측정치는 예를 들어 검출된 물체와 연관된 위치, 속도, 및 가속도의 값(예, 호스트 차량에 대한 상대 값)을 포함할 수 있다. 일부 실시예에서, 물체 식별 모듈(1202)은 칼만 필터 또는 선형 2차 곡선 추정(LQE) 등과 같은 시간 기반 관찰을 사용한 추정 방법 및/또는 서로 다른 물체 유형(예, 승용차, 화물차, 보행자, 자전거, 도로 표지판 등)에 대한 기존 모델링 데이터에 근거하여 측정치를 구성할 수 있다. 칼만 필터는 물체의 축척의 측정치에 의거하고, 축척 측정치는 충돌까지의 시간(예, 호스트 차량이 물체에 도달하는 시간)에 비례할 수 있다.
제1 출력이 시간에 걸친 여러 프레임을 포함하는 실시예에서, 물체 식별 모듈(1202)은 하나 이상의 이미지에 대한 광류 분석을 수행하여 차량 또는 보행자를 나타내는 후보 물체에 대한 '오탐'과 누락 확률을 낮출 수 있다. 여기서, 광류 분석이란, 예를 들어, 다른 차량과 보행자와 관련된 하나 이상의 이미지에서 차량(200)에 대한 상대적인, 그리고 도로 표면 움직임과 다른, 동작 패턴을 분석하는 것을 의미할 수 있다. 처리부(110)는 서로 다른 시간에 캡처된 다중 이미지 프레임에 걸친 물체의 서로 다른 위치를 관찰하여 후보 물체의 움직임을 계산할 수 있다. 처리부(110)는 위치값 및 시간값을 후보 물체의 움직임을 계산하기 위한 수학적 모델의 입력으로 사용할 수 있다. 따라서, 광류 분석은 차량(200)에 근접한 차량과 보행자를 검출하는 또 다른 방법을 제공할 수 있다. 처리부(110)는 광류 분석을 단계 540 내지 546과 함께 수행함으로써 차량과 보행자를 검출하는 중복성을 제공하고 시스템(100)의 신뢰도를 향상시킬 수 있다.
추가적으로 또는 대안적으로, 타깃 물체의 묘사(representation)를 식별하기 위하여, 물체 식별 모듈(1202)은 앞서 설명한 프로세스(500C)의 전부 또는 일부를 실행할 수 있다. 물체 식별 모듈(1202)이 학습 시스템의 선택된 동작에 대한 처리의 추가적인 레이어로서 이행되는 실시예에서, 물체 식별 모듈(1202)은 학습 시스템으로부터 타깃 물체의 식별을 수신할 수 있다. 이에 따라, 물체 식별 모듈(1202)은 제1 출력을 스캔하고, 제1 출력을 학습 시스템으로부터 수신된 타깃 물체와 일치하는 패턴에 비교하고, 타깃 물체의 위치를 제1 출력 내에서 식별할 수 있다. 예를 들면, 물체 식별 모듈(1202)은 학습 시스템으로부터 다른 차량의 식별을 수신하고, 메모리(140, 미도시)에 저장 및/또는 하나 이상의 원격 서버로부터 접속된 데이터베이스와 같은 데이터베이스에 저장되고 차량의 패턴으로 색인 될 뿐만 아니라 제1 출력의 유형(예, 시각, 음향, 열 등)과 일치하는 패턴을 추출하고, 추출된 패턴에 제1 출력을 비교하여 다른 차량의 위치를 제1 출력 내에서 식별할 수 있다.
또는, 물체 식별 모듈(1202)이 학습 시스템의 선택된 동작에 대한 처리의 추가적인 레이어로서 이행되는 실시예에서, 물체 식별 모듈(1202)은 타깃 물체의 식별뿐만 아니라 타깃 물체의 위치를 학습 시스템으로부터 수신할 수 있다. 수신된 위치가 제1 출력에 있는 경우, 물체 식별 모듈(1202)은 수신된 위치에서 및/또는 수신된 위치 부근에서 분류를 수행(예, 앞서 설명한 비교를 활용)하여 제1 출력에서 타깃 물체를 식별할 수 있다. 수신된 위치가 다른 출력(예, 다른 센서의 출력)에 있는 경우, 물체 식별 모듈(1202)은 메모리(140)에 저장 및/또는 하나 이상의 원격 서버로부터 접속된 데이터베이스(미도시)와 같은 데이터베이스에 저장되고 타깃 물체와 일치하는 물체 유형(예, 차량, 보행자, 고정 물체 등)의 패턴으로 색인 될 뿐만 아니라 제1 출력의 유형(예, 시각, 음향, 열 등)과 일치하는 패턴을 추출하고, 추출된 패턴에 제1 출력을 비교하여 타깃 물체의 위치를 제1 출력 내에서 식별할 수 있다. 이러한 비교에 추가적으로 또는 대안적으로, 물체 식별 모듈(1202)은 학습 시스템에 의해 사용되는 출력상의 위치를 제1 출력상의 위치로 매핑하는 정보를 포함하는 지도책을 구축할 수 있다. 이를 기반으로, 물체 식별 모듈(1202)은 타깃 물체를 나타내는 묘사(representation)가 학습 시스템에 의해 사용되는 출력 내의 타깃 물체의 위치에 의거하여 예상될 수 있는 위치를 제1 출력 내에서 판단하고 분류를 수행(예, 앞서 설명한 비교를 활용)하여 타깃 물체의 위치를 제1 출력에서 식별할 수 있다.
일 실시예에서, 항법 제약 모듈(1204)은 타깃 물체의 특성이 적어도 하나의 항법 제약을 유발하지 여부를 판단하기 위해 처리부(110)에 의해 실행 가능한 소프트웨어를 저장할 수 있다. 타깃 물체의 특성은 하드(안전) 제약 또는 소프트(안락) 제약을 유발할 수 있다. 예를 들어, 타깃 물체의 거리는 최소 거리 또는 최대 거리(예, 다른 차량, 보행자, 도로 가장자리, 차로 표시 등까지의 거리)에 의거한 하드 제약 및/또는 바람직한 거리에 의거한 소프트 제약을 유발할 수 있다. 다른 예에서, 타깃 물체의 크기는 최소 크기 또는 최대 크기(예, 장애물의 높이, 통과 높이 등)에 의거한 하드 제약 및/또는 바람직한 크기에 의거한 소프트 제약을 유발할 수 있다. 또 다른 예에서, 타깃 물체의 위치는 제한 구역(예, 호스트 차량의 현재 이동 차로 이내, 호스트 차량의 예상 궤적의 특정 임계 거리 이내 등)에 의거한 하드 제약 및/또는 바람직한 구역(예, 현재 이동 차로에 인접한 차로 또는 보도, 예상 궤적의 범위 이내 등)에 의거한 소프트 제약을 유발할 수 있다.
일 실시예에서, 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 유발되지 않는 경우, 확인 모듈(1206)은 제1 출력과 제2 출력의 조합에 의거하여 타깃 물체의 묘사(representation)의 식별을 확인할 수 있다. 예를 들어, 이 조합은 교차 스키마 또는 시너지 스키마를 포함할 수 있다. 교차 스키마는 확인을 위해 타깃 물체가 제1 출력과 제2 출력 모두에 식별될 것을 요구할 수 있다. 예컨대, 타깃 물체가 확인이 되려면 제1 데이터 소스를 포함하는 레이더, 라이더, 또는 카메라와 제2 데이터 소스를 포함하는 레이더, 라이더, 또는 카메라에서 식별되어야 할 수 있다. 즉, 타깃 물체는 여러 데이터 소스에 의해 검출되는 경우에 승인된 것으로 고려될 수 있다. 시너지 스키마는 타깃 물체를 확인하기 위하여 제1 데이터 소스와 제2 데이터 소스의 조합을 포함할 수 있다. 예컨대, 시너지 스키마는 복수의 데이터 소스로부터 확보된 부분 데이터의 조합에 의거하여 타깃 물체를 식별 또는 승인하는 것을 포함할 수 있다. 시너지 스키마의 한 예로, 타깃 물체의 범위가 카메라를 이용해 추정될 수 있는데, 여기서 이 범위는 도로 높낮이 모델(예, 다른 카메라에 의거) 또는 라이더로부터 측정될 수 있다. 다른 예로, 라이더를 이용하여 타깃 물체를 검출하고 하나 이상의 카메라로부터의 광류에 의거한 도로 높낮이 모델을 이용하여 타깃 물체를 측정할 수 있다. 또 다른 예로, 카메라를 이용하여 차로(예, 타깃 물체에 포함된 도로 가장자리 또는 차로 표시)를 검출한 후에 지도 데이터를 활용하여 이러한 검출을 확인할 수 있다. 또 다른 예로, 하나 이상의 카메라를 이용하여 타깃 물체를 검출하고 라이더를 활용하여 호스트 차량의 주변환경에서 빈 공간을 판단할 수 있다.
반면에, 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 유발되는 경우, 확인 모듈(1206)은 제1 출력에 의거하여 타깃 물체의 묘사(representation)의 식별을 확인할 수 있다. 예를 들어, 타깃 물체를 승인 또는 확인하기 위해 제1 출력만이 이용되도록 단일화 스키마가 이용될 수 있다.
항법 변경 모듈(1208)은 물체 식별 모듈(1202) 및/또는 확인 모듈(1206)의 출력을 활용하여 항법 조정을 위한 결정 트리(decision tree)를 이행할 수 있다. 항법 조정은 제1 센서, 제2 센서, 기타 센서, 지도 데이터, 및 제1 출력, 제2 출력, 기타 모든 출력에서 검출된 하나 이상의 물체로부터 도출된 데이터에 의거할 수 있다. 항법 변경 모듈(1208)은 또한 차량(200)의 구동 시스템(220), 제동 시스템(230), 및 조향 시스템(240)과 같은 차량(200)의 기타 시스템으로부터의 입력에 의거하여 원하는 항법 반응을 판단할 수 있다. 추가적으로 또는 대안적으로, 항법 변경 모듈(1208)은 앞서 설명한 바와 같이 기타 메모리 모듈(미도시) 및/또는 학습 시스템으로부터 하나 이상의 항법 조정을 수신할 수 있다. 이에 따라, 항법 변경 모듈(1208)은 학습 시스템의 선택된 동작에 대한 처리의 추가적인 레이어로서 이행될 수 있다.
이에 따라, 항법 변경 모듈(1208)은 이러한 확인에 대응하여 호스트 차량에 하나 이상의 항법 변경을 유발할 수 있다. 적어도 하나의 항법 변경을 유발하기 위하여, 항법 변경 모듈(1208)은 차량(200)의 구동 시스템(220), 제동 시스템(230), 및 조향 시스템(240)에 전자 신호를 전송하여, 차량(200)의 조향 휠을 회전하여 미리 정해진 각도의 회전을 하는 등을 통하여 원하는 항법 반응을 유발할 수 있다. 일부 실시예에서, 적어도 하나의 항법 변경은 이러한 확인에 대응하여 호스트 차량의 하나 이상의 항법 액추에이터에 아무 조정도 유발하지 않는 것을 포함할 수 있다.
또한, 여기에 기재된 어느 모듈(예, 1202, 1204, 1206, 1208)이라도 학습 시스템(예, 신경망 또는 심층 신경망) 또는 비학습 시스템과 연관된 방법을 이행할 수 있다. 추가적으로 또는 대안적으로, 여기에 기재된 어느 모듈(예, 1202, 1204, 1206, 1208)이라도 학습 시스템의 선택된 동작에 대한 처리의 추가적인 레이어로서 방법을 이행할 수 있다.
도 13a와 도 13b는 예시적인 안전 제약 및 안락 제약을 도시한 것이다. 도 13a에 도시된 바와 같이, 호스트 차량(1300)은 호스트 차량(1300) 전방의 다른 차량(예, 1301), 호스트 차량(1300) 후방의 다른 차량(예, 1303), 및 호스트 차량(1300)이 진행 중인 차로가 아닌 다른 차로의 다른 차량(예, 1307)을 타깃 물체로 검출할 수 있다.
이러한 검출된 물체의 특성은 항법 제약을 유발할 수 있다. 예를 들어, 호스트 차량(1300)과 다른 차량(1301) 사이의 거리(1309), 호스트 차량(1300)과 다른 차량(1307) 사이의 거리(1311), 및/또는 호스트 차량(1300)과 다른 차량(1303) 사이의 거리(1313)가 항법 제약을 유발할 수 있다. 도 13a와 도 13b에는 도시되어 있지 않지만, 하나 이상의 차량(1301, 1303, 1307)과 연관된 기타 특성에는 호스트 차량(1300)과 하나 이상의 차량(1301, 1303, 1307) 사이의 상대 속도, 하나 이상의 차량(1301, 1303, 1307)과의 충돌까지의 시간 등이 포함될 수 있다.
앞서 설명한 예에서, 유발된 항법 제약은 하나 이상의 차량(1301, 1303, 1307)까지의 거리(예, 최소 거리), 호스트 차량(1300)과 하나 이상의 차량(1301, 1303, 1307) 사이의 상대 속도(예, 거의 0과 같은 최대 상대 속도), 하나 이상의 차량(1301, 1303, 1307)과의 충돌까지의 시간(예, 거의 무한대와 같은 충돌까지의 최소 시간) 등과 연관될 수 있다. 이에 따라, 특성은 하드(또는 안전) 제약을 유발할 수 있다. 또는, 특성은 항법 제약을 유발하지 않을 수도 있다. 예컨대, 하나 이상의 소프트 제약(또는 '욕구')이 특성과 연관될 수 있다.
도 13c와 도 13d는 기재된 실시예에 따른 안전 제약과 안락 제약의 추가적인 예시를 도시한 것이다. 도 13c와 도 13d에 도시된 바와 같이, 호스트 차량(1300)은 호스트 차량(1300)이 이동 중인 도로상의 고정 물체(1315)를 타깃 물체로 검출할 수 있다. 추가적으로 또는 대안적으로, 호스트 차량(1300)은 차로 표시를 타깃 물체로 검출할 수 있다.
도 13c와 도 13d의 예에서, 호스트 차량(1300)과 고정 물체(1315) 사이의 거리(1317)가 항법 제약을 유발하는 특성이 될 수 있다. 추가적으로 또는 대안적으로, 호스트 차량(1300)과 차로 표시 사이의 거리(1319)가 항법 제약을 유발하는 특성이 될 수 있다. 도 13c와 도 13d에 도시되지는 않았지만, 고정 물체(1315) 또는 차로 표시와 연관된 기타 특성에는 호스트 차량(1300)과 고정 물체(1315) 또는 차로 표시 사이의 상대 속도, 고정 물체(1315) 또는 차로 표시와의 충돌까지의 시간 등이 포함될 수 있다.
상기의 예에서, 항법 제약은 고정 물체(1315) 또는 차로 표시까지의 거리(예, 최소 거리), 호스트 차량(1300)과 고정 물체(1315) 또는 차로 표시 사이의 상대 속도(예, 거의 0과 같은 최대 상대 속도), 고정 물체(1315) 또는 차로 표시와의 충돌까지의 시간(예, 거의 무한대와 같은 충돌까지의 최소 시간) 등과 연관될 수 있다. 이에 따라, 특성은 하드(또는 안전) 제약을 유발할 수 있다. 또는, 특성은 항법 제약을 유발하지 않을 수 있다. 예를 들어, 하나 이상의 소프트 제약(또는 '욕구')은 특성과 연관될 수 있다.
도 14는 기재된 실시예에 따른 안전 제약 및 안락 제약에 의거한 호스트 차량의 항법을 위한 예시적인 프로세스(1400)를 나타내는 순서도이다. 프로세스(1400)는 처리 장치(110)와 같은 적어도 하나의 처리 장치에 의해 수행될 수 있다.
단계 1402에서, 처리 장치(110)는 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신할 수 있다. 예컨대, 앞서 물체 식별 모듈(1202)에 관하여 설명한 바와 같이, 제1 데이터 소스는 호스트 차량에 탑재된 카메라, 라이더, 레이더 중의 적어도 하나를 포함할 수 있다.
단계 1404에서, 처리 장치(110)는 처리 장치(110)는 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신할 수 있다. 예컨대, 앞서 물체 식별 모듈(1202)에 관하여 설명한 바와 같이, 제2 데이터 소스는 적어도 하나의 처리 장치에 의해 접속된 지도 데이터를 포함할 수 있다.
일부 실시예에서, 이후에, 제1 데이터 소스와 제2 데이터 소스 중의 적어도 하나는 호스트 차량에 탑재된 센서를 포함할 수 있다. 일부 실시예에서, 제1 데이터 소스와 제2 데이터 소스는 모두 센서를 포함할 수 있다. 예를 들어, 제1 데이터 소스와 제2 데이터 소스는 서로 다른 카메라를 포함하거나, 제1 데이터 소스는 카메라를 포함하고 제2 데이터 소스는 레이더를 포함하거나, 제1 데이터 소스는 카메라를 포함하고 제2 데이터 소스는 라이더를 포함할 수 있다. 다른 실시예에서, 제1 데이터 소스와 제2 데이터 소스 중의 다른 하나는 지도 데이터와 같은 다른 데이터 소스를 포함할 수 있다.
단계 1406에서, 처리 장치(110)는 제1 출력에서 타깃 물체의 표현을 식별할 수 있다. 예컨대, 처리 장치(110)는 앞서 물체 식별 모듈(1202)에 관하여 설명한 바와 같이 타깃 물체를 식별할 수 있다.
단계 1408에서, 처리 장치(110)는 타깃 물체의 특성이 적어도 하나의 항법 제약을 유발하는지 여부를 판단할 수 있다. 예를 들어, 앞서 항법 제약 모듈(1204)에 관하여 설명한 바와 같이, 특성은 타깃 물체의 크기, 호스트 차량으로부터 타깃 물체까지의 거리, 또는 호스트 차량의 주변환경 내의 타깃 물체의 위치를 포함할 수 있다.
단계 1410a에서, 앞서 확인 모듈(1206)에 관하여 설명한 바와 같이, 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 유발되지 않는 경우, 처리 장치(110)는 제1 출력과 제2 출력의 조합에 의거하여 타깃 물체의 묘사(representation)의 식별을 확인할 수 있다.
일부 실시예에서, 제1 출력과 제2 출력의 조합에 의거한 타깃 물체의 묘사(representation)의 식별의 확인은 타깃 물체의 묘사(representation)가 제1 출력과 제2 출력 모두에서 식별되는지 여부의 판단을 포함할 수 있다. 예컨대, 앞서 확인 모듈(1206)에 관해 설명한 바와 같이, 이 조합은 교차 스키마를 포함할 수 있다.
추가적으로 또는 대안적으로, 제1 출력과 제2 출력의 조합에 의거한 타깃 물체의 묘사(representation)의 식별의 확인은 제1 출력에 투영된 제2 출력을 활용한 타깃 물체의 특성의 판단을 포함할 수 있다. 예를 들어, 앞서 확인 모듈(1206)에 관하여 설명한 바와 같이, 이 조합은 시너지 스키마를 포함할 수 있다. 일례로, 제2 출력이 지도 데이터를 포함하고 제1 출력이 호스트 차량의 주변환경의 적어도 하나의 이미지를 포함하는 경우, 상기 투영은 지도 데이터를 활용하여 적어도 하나의 이미지에서 하나 이상의 도로 가장자리를 검출하는 것을 포함할 수 있다. 다른 예에서, 제2 출력이 라이더로부터의 출력을 포함하고 제1 출력이 호스트 차량의 주변환경의 적어도 하나의 이미지를 포함하는 경우, 상기 투영은 제2 출력을 활용하여 적어도 하나의 이미지에서 빈 공간을 검출하는 것을 포함할 수 있다.
단계 1410b에서, 앞서 확인 모듈(1206)에 관하여 설명한 바와 같이, 적어도 하나의 항법 제약이 타깃 물체의 특성에 의해 유발되는 경우, 처리 장치(110)는 제1 출력에 의거하여 타깃 물체의 묘사(representation)의 식별을 확인할 수 있다.
단계 1412에서, 상기 확인에 대응하여, 처리 장치(110)는 호스트 차량에 적어도 하나의 항법 변경을 유발할 수 있다. 예를 들어, 앞서 항법 변경 모듈(1208)에 관하여 설명한 바와 같이, 적어도 하나의 항법 변경은 호스트 차량의 감속, 호스트 차량의 가소, 또는 호스트 차량의 조향 메커니즘의 활성화를 포함할 수 있다.
방법(1400)은 추가적인 단계를 더 포함할 수 있다. 예를 들면, 방법(1400)은 적어도 하나의 항법 제약이 유발되는지 여부에 의거하여 적어도 하나의 항법 변경을 결정하는 단계를 포함할 수 있다. 예컨대, 앞서 항법 변경 모듈(1208)에 관하여 설명한 바와 같이, 적어도 하나의 항법 변경은 적어도 하나의 항법 제약이 유발되는 경우에는 제1 변경을, 적어도 하나의 항법 제약이 유발되지 않는 경우에는 제1 변경과 다른 제2 변경을 포함할 수 있다. 이러한 실시예에서, 제2 변경은 제1 변경보다 좁은 조향 메커니즘의 조정, 제1 변경보다 약한 제동 메커니즘의 적용, 제1 변경보다 약한 가속 등을 포함할 수 있다.
항법의 배치 정렬
앞서 설명한 바와 같이, 원격 서버는 복수의 차량으로부터 스파스 맵을 크리우드소싱 할 수 있다. 그러나 복수의 운행을 글로벌 차원에서 정렬하다 보면 그 결과로 스파스 맵 내에 오차가 누적된다. 예를 들면, 운행 중의 자체 움직임 드리프트(ego motion drift)는 도로의 기하를 왜곡할 수 있고 글로벌 차원으로 집계하는 동안에 과장될 수 있다. 또한, 글로벌 정렬을 수행하기 위하여 GPS 데이터를 활용하면 GPS 측정의 오차로 인해 정확하지 않은 경우가 많다.
이에 따라, 운행을 글로벌 차원으로 정렬하여 스파스 맵을 구축하는 대신에, 원격 서버는 로컬 차원으로 운행의 배치(batch)를 정렬하여 로드북을 구축할 수 있다. 여기서, '로드북'이라는 용어는 스파스 맵(상기에 설명) 또는 위치 데이터의 기타 표현(예, 하나 이상의 스플라인으로 저장) 및/또는 글로벌 좌표가 아닌 도로 구간의 로컬 좌표로서 저장된 랜드마크 데이터(예, 랜드마크의 위치 및/또는 랜드마크의 모양, 식별 등에 관한 설명 데이터로 저장)를 말하는 것일 수 있다. 이러한 데이터를 정렬하면 더욱 신뢰할 수 있을만한 정렬과 더 작고 더 현지화된 지도를 얻을 수 있다. 또한, 로컬 로드북은 운행이 선행 로컬 정렬 없이 글로벌 좌표 내에서 정렬되는 경우보다 더 정확하게 글로벌 좌표로 추정될 수 있다. 예를 들면, 자체 드리프트는 로컬 정렬 동안에 고려될 수 있으므로 로컬 로드북이 글로벌 좌표로 추정되는 경우에도 확산되지 않을 것이다. 또한, 로컬 정렬은 오차와 드리프트를 내재하는 GPS 데이터보다 더욱 정확하게 위치가 파악될 수 있는 차로 표시와 같은 시각적 단서를 활용하여 수행될 수 있다.
또한, 글로벌 정렬은 운행이 수행된 시간과 날의 차이로 인한 복수의 운행의 움직이는 그림자, 서로 다른 조명, 우천으로 인한 반짝거림, 및 이미지 및 데이터 내의 기타 변화를 고려하지 못할 수 있다. 이에 따라, 동일한 날, 비슷한 시간, 및/또는 비슷한 기후 조건에 수행된 운행을 배치 정렬하여 로드북의 정확도를 더욱 향상할 수 있다.
도 15는 기재된 실시예에 따른 하나 이상의 동작을 수행하기 위한 명령이 저장/프로그램 될 수 있는 메모리(140 및/또는 150)의 예시적인 기능 구성도이다. 하기에는 메모리(140)에 관하여 설명하지만, 명령이 메모리(140) 및/또는 메모리(150)에 저장될 수 있음은 당업자에게 당연할 것이다.
도 15에 도시된 바와 같이, 메모리(140)는 항법 정보 수신 모듈(1502), 정렬 모듈(1504), 저장 모듈(1506), 및 배포 모듈(1508)을 저장할 수 있다. 기재된 실시예들은 메모리(140)의 특정 구성으로 한정되지 않는다. 또한, 애플리케이션 프로세서(180) 및/또는 이미지 프로세서(190)는 메모리(140)에 포함된 어느 하나 이상의 모듈(1502, 1504, 1506, 1508)에 저장된 명령을 실행할 수 있다. 당업자라면 하기의 처리부(110)에 관한 설명이 개별적으로 또는 집합적으로 애플리케이션 프로세서(180)와 이미지 프로세서(190)에 관한 것일 수 있다는 것을 이해할 수 있을 것이다. 대안적으로, 호스트 차량으로부터 원격에 있는 서버의 적어도 하나의 처리 장치가 메모리(140)에 포함된 어느 하나 이상의 모듈(1502, 1504, 1506, 1508)에 저장된 명령을 실행할 수 있다. 이에 따라, 하기의 프로세스의 단계들은 하나 이상의 처리 장치에 의해 수행될 수 있다.
일 실시예에서, 항법 정보 수신 모듈(1502)은, 처리부(110)에 의해 실행될 경우 복수의 차량으로부터 항법 정보를 수신하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 예컨대, 복수의 차량으로부터의 항법 정보는 일반 도로 구간에 관한 것일 수 있다. 항법 정보는 하나 이상의 컴퓨터 네트워크를 통해 수신될 수 있다. 예를 들어, 복수의 차량이 운행 중에 항법 정보를 업로드 하거나 운행을 완료한 후에, 예컨대, 매시간, 매일, 매주 등의 업로드 세션 동안에, 항법 정보를 업로드 할 수 있다.
일부 실시예에서, 항법 정보는 운행 동안에 차량의 하나 이상의 이미지 센서에 의해 캡처 된 하나 이상의 이미지를 포함할 수 있다. 추가적으로 또는 대안적으로, 항법 정보는 이미지 내에서 식별된 하나 이상의 랜드마크에 관한 위치 및/또는 설명 정보와 같은 이미지로부터 처리된 정보를 포함할 수 있다. 항법 정보는 GPS 데이터 등과 같은 차량의 위치 정보를 추가적으로 또는 대안적으로 포함할 수 있다.
일 실시예에서, 정렬 모듈(1504)은, 처리부(110)에 의해 실행될 경우 일반 도로 구간 현지의 좌표 시스템 내에 항법 정보를 정렬하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 예를 들면, 항법 정보는 차량의 이미지 센서로부터 수신된 이미지 내에서 식별된 랜드마크를 활용하여 정렬될 수 있다. 단순한 스키마에서, 정렬은 이미지 내에서 검출된 랜드마크의 위치의 평균을 구하는 것을 포함할 수 있다. 더 복잡한 스키마에서, 정렬은 이미지 내에서 검출된 랜드마크의 위치를 수렴하는 선형 회귀(linear regression) 또는 기타 통계적 방식을 포함할 수 있다. 이미지를 활용함으로써, 정렬 모듈(1504)은 예를 들어 GPS 데이터에 의거하는 글로벌 좌표 시스템보다는 로컬 좌표 시스템에서 항법 정보를 정렬할 수 있다. 실제로, 정렬 모듈(1504)은 GPS 데이터의 정렬에 의거하여 랜드마크를 조정하기보다는 랜드마크의 정렬에 의거하여 항법 정보 내에 포함된 GPS 정보를 조정할 수 있다.
일 실시예에서, 저장 모듈(1506)은, 처리부(110)에 의해 실행될 경우 정렬된 항법 정보를 일반 도로 구간과 연관하여 저장하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 예컨대, 항법 정보는 일반 도로 구간의 식별자(identifier)가 정렬된 항법 정보와 함께 저장되고 정렬된 항법 정보를 색인하는데 활용되도록 데이터베이스에 저장될 수 있다. 일반 도로 구간의 식별자는 일반 도로 구간의 기술에 활용되는 하나 이상의 좌표(예, 일반 도로 구간의 시작점의 글로벌 좌표 및/또는 일반 도로 구간의 종단점)를 포함할 수 있다.
일 실시예에서, 배포 모듈(1508)은, 처리부(110)에 의해 실행될 경우 일반 도로 구간을 따라 하나 이상의 자율주행차의 자율 주행에 활용하도록 하기 위해 정렬된 항법 정보를 하나 이상의 자율주행차로 배포하는, 명령(예, 컴퓨터 시각 소프트웨어)을 저장할 수 있다. 예컨대, 하나 이상의 자율주행차는 일반 도로 구간에 접근하거나 일반 도로 구간을 횡단할 것으로 예상되는 경우에 항법 정보를 요청할 수 있다. 배포 모듈(1508)은 정렬된 항법 정보를 하나 이상의 컴퓨터 네트워크를 통하여 이러한 요청을 하는 자율주행차에 전송할 수 있다.
도 16은 기재된 실시예에 따른 여러 운행의 항법 정보를 조합하여 생성된 예시적인 로드북(1620, 1640)과 로드북을 조합하여 생성된 예시적인 글로벌 지도(1650)를 도시한 것이다. 도 16에 도시된 바와 같이, 제1그룹의 운행(1610)은 일반 도로 구간을 따라 5번의 개별 운행으로부터 수신된 위치 데이터(예, GPS 데이터)를 포함할 수 있다. 일 운행과 타 운행은 동일 시간에 별도의 차량에 의해 운행되거나 동일한 차량에 의해 별도의 시간에 운행되거나 별도의 차량에 의해 별도의 시간에 운행되는 경우에 서로 별도의 운행일 수 있다. 원격 서버는 하나 이상의 통계적 방법을 활용하여 위치 데이터를 도로 구간을 따라 정렬하여 로드북(1620)을 생성할 수 있다. 예를 들어, 원격 서버는 위치 데이터의 차이가 실제 차이를 나타내는지 또는 통계적 오류를 나타내는지를 판단할 수 있고, 운행 중에 캡처 된 이미지에 의해 판단된 좌표 시스템을 활용하여 위치 데이터를 정렬할 수 있다. 이에 따라, 정렬은 도로 구간에 현지화될 것이고 글로벌 좌표 시스템과 같은 외부 좌표 시스템과 일관되기 보다는 스스로 일관될 것이다.
마찬가지로, 제2그룹의 운행(1630)은 일반 도로 구간을 따라 5번의 추가적인 운행으로부터 수신된 위치 데이터(예, GPS 데이터)를 포함할 수 있다. 원격 서버는 하나 이상의 통계적 방법을 활용하여 위치 데이터를 도로 구간을 따라 정렬하여 로드북(1640)을 생성할 수 있다. 예를 들어, 원격 서버는 위치 데이터의 차이가 실제 차이를 나타내는지 또는 통계적 오류를 나타내는지를 판단할 수 있고, 운행 중에 캡처 된 이미지에 의해 판단된 좌표 시스템을 활용하여 위치 데이터를 정렬할 수 있다. 이에 따라, 정렬은 도로 구간에 현지화될 것이고 글로벌 좌표 시스템과 같은 외부 좌표 시스템과 일관되기 보다는 스스로 일관될 것이다.
제1그룹의 운행(1610)과 제2그룹의 운행(1630)은 운행이 이루어진 시간, 운행이 이루어진 날, 운행 중의 기후 조건 등에 따라 원격 서버에 의해 크러스터링 될 수 있다. 이에 딸, 로드 북(1620)과 로드북(1640)의 정확도는 서로 다른 시간, 서로 다른 날, 및/또는 서로 다른 기후 조건의 운행이 서로 정렬되는 기존 방법에 비해 향상될 수 있다.
도 16에 추가로 도시된 바와 같이, 로드북(1620, 1640)은 글로벌 좌표 시스템으로 추정되고 글로벌 지도(1650)의 일부로 정렬될 수 있다. 예컨대, 원격 서버는 하나 이상의 통계적 방법을 다시 사용하여 도로 구간을 따라 위치 데이터를 정렬할 수 있다. 원격 서버는 운행 중에 캡처 된 이미지를 활용하기보다는 GPS 데이터 또는 글로벌 좌표 시스템의 기타 데이터를 활용하여 로드북(1620, 1640)의 정렬이 로컬 좌표 시스템보다는 글로벌 좌표 시스템에서 수행되게 할 수 있다. 로드북(1620, 1640)이 단일 운행보다 더 정확한 입력을 제공하므로, 글로벌 지도(1650)는 제1그룹의 운행(1610)과 제2그룹의 운행(1630)이 글로벌 좌표 시스템에 직접 정렬된 경우보다 더 정확하다.
운행 데이터로 도시되기는 했지만, 로드북(1620, 1640)(글로벌 지도(1650)도 마찬가지)은 도로 구간과 연관되고 이미지에 존재하는 하나 이상의 랜드마크를 더 포함할 수 있다. 예를 들어, 랜드마크는 로드북(1620, 1640)이 형성될 때 정렬될 수(또는 로드북(1620, 1640)을 형성하는 운행 데이터의 정렬에 활용될 수도) 있다. 마찬가지로, 랜드마크는 글로벌 지도(1650)가 형성될 때 정렬될 수(또는 로드북(1620, 1640)을 글로벌 차원으로 정렬하는데 활용될 수도) 있다.
도 17은 기재된 실시예에 따른 복수의 차량으로부터 수신된 항법 정보를 정렬하는 예시적인 프로세스(1700)를 도시한 순서도이다. 프로세스(1700)는 처리 장치(110)와 같은 적어도 하나의 처리 장치에 의해 수행될 수 있다. 대안적으로, 프로세스(1700)는 호스트 차량으로부터 원격으로 있는 서버의 적어도 하나의 처리 장치에 의해 수행될 수 있다.
단계 1710에서, 서버는 복수의 차량으로부터 항법 정보를 수신할 수 있다. 예컨대, 복수의 차량으로부터 수신된 항법 정보는 일반 도로 구간과 연관될 수 있다. 일부 실시예에서, 앞서 항법 정보 수신 모듈(1502)에 관하여 설명한 바와 같이, 항법 정보는 GPS 정보 및/또는 복수의 차량에 포함된 이미지 센서에 의해 캡처 된 이미지 내에 포함된 하나 이상의 랜드마크를 포함할 수 있다. 예컨대, 하나 이상의 랜드마크는 일반 도로 구간을 따라 있는 가시적인 물체를 포함할 수 있다. 이러한 실시예에서, 물체는 도로 표시 및 도로 표지판 중의 적어도 하나를 포함할 수 있다.
일부 실시예에서, 항법 정보는 무선주파수, 적외선주파수, 자기장, 전기장 등을 사용하여 컴퓨터 네트워크(예, 이동통신, 인터넷 등)를 통하여 수신될 수 있다. 항법 정보는 데이터를 송신 및/또는 수신하는 공지의 표준(예, Wi- Fi, Bluetooth®, Bluetooth Smart, 802.15.4, ZigBee 등)을 사용하여 전송될 수 있다.
단계 1720에서, 앞서 정렬 모듈(1504)에 관하여 설명한 바와 같이, 서버는 항법 정보를 일반 도로 구간의 현지 좌표 시스템 내에 정렬할 수 있다. 예를 들어, 현지 좌표 시스템은 복수의 차량에 포함된 이미지 센서에 의해 캡처 된 복수의 이미지에 의거한 좌표 시스템을 포함할 수 있다.
일부 실시예에서, 항법 정보의 정렬은 하나 이상의 랜드마크에 의거할 수 있다. 예컨대, 앞서 설명한 바와 같이, 서버는 GPS 데이터의 정렬에 의거하여 랜드마크를 조정하는 대신에 랜드마크의 정렬에 의거하여 항법 정보에 포함된 GPS 데이터를 조정할 수 있다.
단계 1730에서, 앞서 저장 모듈(1506)에 관하여 설명한 바와 같이, 서버는 정렬된 항법 정보를 일반 도로 구간과 연관하여 저장할 수 있다. 예컨대, 항법 정보는 일반 도로 구간의 식별자가 정렬된 항법 정보와 함께 저장되고 정렬된 항법 정보를 색인하는데 활용되도록 데이터베이스에 저장될 수 있다.
단계 1740에서, 앞서 배포 모듈(1508)에 관하여 설명한 바와 같이, 서버는 일반 도로 구간을 따라 한 대 이상의 자율주행차의 자율 주행에 활용되게 하기 위하여 정렬된 항법 정보를 한 대 이상의 자율주행차에 배포할 수 있다. 예컨대, 하나 이상의 자율주행차는 항법 정보를 요청할 수 있고, 서버는 이 요청에 대응하여 컴퓨터 네트워크(예, 이동통신, 인터넷 등)를 통하고 무선주파수, 적외선주파수, 자기장, 전기장 등을 사용하여 정렬된 항법 정보를 전송할 수 있다. 정렬된 항법 정보는 데이터를 송신 및/또는 수신하는 공지의 표준(예, Wi- Fi, Bluetooth®, Bluetooth Smart, 802.15.4, ZigBee 등)을 사용하여 전송될 수 있다.
방법(1700)은 추가적인 단계를 더 포함할 수 있다. 예를 들어, 일부 실시예에서, 복수의 차량은 특정 시간 주기 동안에 항법 정보를 캡처했을 수 있다. 이러한 실시예에서, 방법(1700)은 제2시간 주기 동안에 캡처 되고 일반 도로 구간과 연관된 추가 항법 정보를 제2 복수의 차량으로부터 수신하는 단계, 추가 항법 정보를 제2 복수의 차량에 포함된 이미지 센서에 의해 캡처 된 복수의 이미지에 의거한 일반 도로 구간의 현지 좌표 시스템 내에 정렬하는 단계, 및 정렬된 추가 항법 정보를 일반 도로 구간과 연관하여 저장하는 단계를 더 포함할 수 있다.
추가적으로 또는 대안적으로, 복수의 차량은 임계 수의 운행을 초과하지 않는 여러 운행을 통해 항법 정보를 캡처했을 수 있다. 이러한 실시예에서, 방법(1700)은 추가적인 운행 동안에 캡처 되고 일반 도로 구간과 연관된 추가 항법 정보를 제2 복수의 차량으로부터 수신하는 단계, 추가 항법 정보를 제2 복수의 차량에 포함된 이미지 센서에 의해 캡처 된 복수의 이미지에 의거한 일반 도로 구간의 현지 좌표 시스템 내에 정렬하는 단계, 및 정렬된 추가 항법 정보를 일반 도로 구간과 연관하여 저장하는 단계를 더 포함할 수 있다.
앞서 설명한 모든 실시예의 어느 실시예에서나, 방법(1700)은 정렬된 항법 정보를 글로벌 좌표의 집합으로 추정하는 단계와 글로벌 차원으로 정렬된 항법 정보를 일반 도로 구간과 연관하여 저장하는 단계를 더 포함할 수 있다. 또한, 추가 항법 정보를 포함하는 실시예에서, 방법(1700)은 정렬된 항법 정보와 정렬된 추가 항법 정보를 글로벌 좌표의 집합으로 추정하고 글로벌 차원의 정렬된 항법 정보와 추가 항법 정보를 일반 도로 구간과 연관하여 저장하는 단계를 더 포함할 수 있다.
상기의 설명은 예시의 목적으로 제시되었다. 이 설명은 모든 것을 망라한 것이 아니며 기재된 그대로의 형태 또는 실시예로 제한되는 것이 아니다. 수정 및 응용은 본 명세서를 고려하고 기재된 실시예를 실시함으로써 당업자에게 당연할 것이다. 또한, 기재된 실시예의 양상들이 메모리에 저장되는 것으로 설명되었지만, 당업자라면 이러한 양상들이, 예를 들어, 하드 디스크 또는 CD ROM, 또는 다른 유형의 RAM 또는 ROM, USB 매체, DVD, 블루레이, 4K UHD 블루레이, 또는 기타 광드라이브 매체 등의 2차 저장장치와 같은 다른 유형의 컴퓨터 가독 매체에 저장될 수도 있음을 이해할 것이다.
기재된 설명과 방법에 기반한 컴퓨터 프로그램은 당업자에게는 당연한 기술이다. 다양한 프로그램 또는 프로그램 모듈이 당업자에게 공지인 기술을 사용하여 생성되거나 기존의 소프트웨어와 관련되어 설계될 수 있다. 예를 들어, 프로그램 섹션 또는 프로그램 모듈은 .Net Framework, .Net Compact Framework (및 Visual Basic, C 등과 같은 관련 언어), Java, C++, Objective-C, HTML, HTML/AJAX 조합, XML, 또는 자바 애플릿(Java applet)을 포함하는 HTML로 설계될 수 있다.
또한, 예시된 실시예들을 여기에 설명하였지만, 모든 실시예의 범위는 균등한 구성요소, 수정, 누락, 조합(예, 다양한 실시예에 걸친 양상의 조합), 응용, 및/또는 변경을 가짐은 본 발명의 당업자에게 당연하다. 청구항의 한정은 청구항에 사용된 언어에 근거하여 넓게 해석되어야 하며 본 명세서에서 또는 본 발명의 출원 중에 설명된 예시에 한정되지 않는다. 예시들은 배타적이지 않은 것으로 이해되어야 한다. 나아가, 기재된 방법의 단계들은 단계들의 순서를 재배열 및/또는 단계를 삽입 또는 삭제하는 등의 다양한 방법으로 수정될 수 있다. 따라서, 본 명세서와 예시들은 예시의 목적으로만 고려되고, 진정한 범위와 기술적 사상은 하기의 청구항과 그 균등한 범위에 의해 정의된다.

Claims (30)

  1. 호스트 차량에 대한 장치에 있어서, 상기 장치는:
    적어도 하나의 처리 장치를 포함하고,
    상기 적어도 하나의 처리 장치는:
    상기 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신하고 상기 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신 ― 여기서, 상기 제1 데이터 소스와 상기 제2 데이터 소스 중의 적어도 하나는 상기 호스트 차량에 탑재된 센서를 포함함;
    상기 제1 출력에서 타깃 물체를 식별;
    상기 타깃 물체의 특성이 적어도 하나의 항법 제약을 촉발하는지 여부를 판단 ― 여기서, 상기 판단은:
    상기 타깃 물체의 상기 식별을 상기 제1 출력에 의거하여 확인; 및
    상기 적어도 하나의 항법 제약이 상기 제1 출력에 의해 확인되지 않는 경우, 상기 타깃 물체의 상기 식별을 상기 제1 출력과 상기 제2 출력의 조합에 의거하여 확인하여 수행됨; 및
    상기 확인에 대응하여 상기 호스트 차량에 적어도 하나의 항법 변경을 유발하도록 프로그램 된 것을 특징을 하는, 장치.
  2. 제1항에 있어서,
    상기 확인은 임계값 또는 신뢰 수준을 활용하여 잠재적 타깃 물체가 상기 타깃 물체임을 확인하는 것을 포함하는 것을 특징으로 하는, 장치.
  3. 제1항에 있어서,
    상기 적어도 하나의 항법 변경은 상기 호스트 차량의 감속을 포함하는 것을 특징으로 하는, 장치.
  4. 제1항에 있어서,
    상기 적어도 하나의 항법 변경은 상기 호스트 차량의 가속을 포함하는 것을 특징으로 하는, 장치.
  5. 제1항에 있어서,
    상기 적어도 하나의 항법 변경은 상기 호스트 차량의 조향 메커니즘의 활성화를 포함하는 것을 특징으로 하는, 장치.
  6. 제1항에 있어서,
    상기 제1 데이터 소스는 상기 호스트 차량에 탑재된 카메라, 라이더, 레이더 중의 적어도 하나를 포함하는 것을 특징으로 하는, 장치.
  7. 제1항에 있어서,
    상기 제2 데이터 소스는 상기 적어도 하나의 처리 장치에 의해 접속된 지도 데이터를 포함하는 것을 특징으로 하는, 장치.
  8. 제1항에 있어서,
    상기 제1 출력과 상기 제2 출력의 상기 조합에 의거한 상기 타깃 물체의 상기 식별의 확인은 상기 타깃 물체가 상기 제1 출력과 상기 제2 출력 모두에서 식별되는지 여부의 판단을 포함하는 것을 특징으로 하는, 장치.
  9. 제1항에 있어서,
    상기 제1 출력과 상기 제2 출력의 상기 조합에 의거한 상기 타깃 물체의 상기 식별의 확인은 상기 제1 출력에 투영된 상기 제2 출력의 투영을 활용한 상기 타깃 물체의 상기 특성의 판단을 포함하는 것을 특징으로 하는, 장치.
  10. 제9항에 있어서,
    상기 제2 출력은 지도 데이터를 포함하고, 상기 제1 출력은 상기 호스트 차량의 주변상황의 적어도 하나의 이미지를 포함하고, 상기 투영은 상기 지도 데이터를 활용하여 상기 적어도 하나의 이미지에서 하나 이상의 도로 가장자리를 검출하는 것을 포함하는 것을 특징으로 하는, 장치.
  11. 제9항에 있어서,
    상기 제2 출력은 라이더로부터의 출력을 포함하고, 상기 제1 출력은 상기 호스트 차량의 주변상황의 적어도 하나의 이미지를 포함하고, 상기 투영은 상기 제2 출력을 활용하여 상기 적어도 하나의 이미지에서 빈 공간을 검출하는 것을 포함하는 것을 특징으로 하는, 장치.
  12. 제1항에 있어서,
    상기 타깃 물체의 상기 특성은 상기 타깃 물체의 크기를 포함하는 것을 특징으로 하는, 장치.
  13. 제1항에 있어서,
    상기 타깃 물체의 상기 특성은 상기 호스트 차량으로부터 상기 타깃 물체까지의 거리를 포함하는 것을 특징으로 하는, 장치.
  14. 제1항에 있어서,
    상기 타깃 물체는 표현에 의해 특정될 수 있고, 상기 표현은 상기 타깃 물체의 다항식 표현 또는 상기 타깃 물체의 압축 데이터 세트인 것을 특징으로 하는, 장치.
  15. 호스트 차량에 대해 컴퓨터에 의해 이행되는 방법에 있어서, 상기 방법은:
    상기 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력 및 상기 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신하는 단계 ― 여기서, 상기 제1 데이터 소스와 상기 제2 데이터 소스 중의 적어도 하나는 상기 호스트 차량에 탑재된 센서를 포함함;
    상기 제1 출력에서 타깃 물체를 식별하는 단계;
    상기 타깃 물체의 특성이 적어도 하나의 항법 제약을 촉발하는지 여부를 판단하는 단계 ― 여기서, 상기 판단은:
    상기 타깃 물체의 상기 식별을 상기 제1 출력에 의거하여 확인; 및
    상기 적어도 하나의 항법 제약이 상기 제1 출력에 의해 확인되지 않는 경우, 상기 타깃 물체의 상기 식별을 상기 제1 출력과 상기 제2 출력의 조합에 의거하여 확인하여 수행됨; 및
    상기 확인에 대응하여 상기 호스트 차량에 적어도 하나의 항법 변경을 유발하는 단계를 포함하는 것을 특징을 하는, 방법.
  16. 제15항에 있어서,
    상기 적어도 하나의 항법 변경은 상기 호스트 차량의 감속, 상기 호스트 차량의 가속, 및 상기 호스트 차량의 조향 메커니즘의 활성화 중의 적어도 하나를 포함하는 것을 특징으로 하는, 방법.
  17. 제15항에 있어서,
    상기 제1 데이터 소스는 상기 호스트 차량에 탑재된 카메라, 라이더, 레이더 중의 적어도 하나를 포함하는 것을 특징으로 하는, 방법.
  18. 제15항에 있어서,
    상기 제2 데이터 소스는 상기 컴퓨터에 의해 접근된 지도 데이터를 포함하는 것을 특징으로 하는, 방법.
  19. 제15항에 있어서,
    상기 제1 출력과 상기 제2 출력의 상기 조합에 의거한 상기 타깃 물체의 상기 식별의 확인은 상기 타깃 물체가 상기 제1 출력과 상기 제2 출력 모두에서 식별되는지 여부의 판단을 포함하는 것을 특징으로 하는, 방법.
  20. 제15항에 있어서,
    상기 제1 출력과 상기 제2 출력의 상기 조합에 의거한 상기 타깃 물체의 상기 식별의 확인은 상기 제1 출력에 투영된 상기 제2 출력을 활용한 상기 타깃 물체의 상기 특성의 판단을 포함하는 것을 특징으로 하는, 방법.
  21. 제15항에 있어서,
    상기 확인은 임계값 또는 신뢰 수준을 활용하여 잠재적 타깃 물체가 상기 타깃 물체임을 확인하는 것을 포함하는 것을 특징으로 하는, 방법.
  22. 적어도 하나의 처리 장치에 의해 실행되는 경우에 상기 적어도 하나의 처리 장치로 하여금:
    호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신하고 상기 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신 ― 여기서, 상기 제1 데이터 소스와 상기 제2 데이터 소스 중의 적어도 하나는 상기 호스트 차량에 탑재된 센서를 포함함;
    상기 제1 출력에서 타깃 물체를 식별;
    상기 타깃 물체의 특성이 적어도 하나의 항법 제약을 촉발하는지 여부를 판단;
    상기 제1 출력에 의거하여 상기 타깃 물체의 상기 식별을 확인;
    상기 적어도 하나의 항법 제약이 상기 타깃 물체의 상기 특성에 의해 촉발되지 않는 경우, 상기 타깃 물체의 상기 식별을 상기 제1 출력과 상기 제2 출력의 조합에 의거하여 확인; 및
    상기 확인에 대응하여 상기 호스트 차량에 적어도 하나의 항법 변경을 유발;
    하도록 유발하는 명령을 저장하는 비일시적 컴퓨터 가독 매체.
  23. 제22항에 있어서,
    상기 확인은 임계값 또는 신뢰 수준을 활용하여 잠재적 타깃 물체가 상기 타깃 물체임을 확인하는 것을 포함하는 것을 특징으로 하는, 비일시적 컴퓨터 가독 매체.
  24. 호스트 차량에 대한 장치에 있어서, 상기 장치는:
    입력 수단, 식별 수단, 판단 수단, 확인 수단, 및 출력 수단을 포함하는 적어도 하나의 프로세서 수단을 포함하고,
    상기 프로세서 수단은:
    상기 입력 수단이 상기 호스트 차량과 연관된 제1 데이터 소스로부터 제1 출력을 수신하고 상기 호스트 차량과 연관된 제2 데이터 소스로부터 제2 출력을 수신하도록 유발 ― 여기서, 상기 제1 데이터 소스와 상기 제2 데이터 소스 중의 적어도 하나는 상기 호스트 차량에 탑재된 센서를 포함함;
    상기 식별 수단이 상기 제1 출력에서 타깃 물체를 식별하도록 유발;
    상기 판단 수단이 상기 타깃 물체의 특성이 적어도 하나의 항법 제약을 촉발하는지 여부를 판단하도록 유발 ― 여기서, 상기 판단은:
    상기 확인 수단이 상기 타깃 물체의 상기 식별을 상기 제1 출력에 의거하여 확인하도록 유발; 및
    상기 적어도 하나의 항법 제약이 상기 제1 출력에 의해 확인되지 않는 경우, 상기 타깃 물체의 상기 식별을 상기 제1 출력과 상기 제2 출력의 조합에 의거하여 확인하여 수행됨; 및
    상기 확인에 대응하여 상기 출력 수단이 상기 호스트 차량에 적어도 하나의 항법 변경을 개시하는 신호를 출력하게 유발하도록 프로그램 된 것을 특징을 하는,
    장치.
  25. 제24항에 있어서,
    상기 확인 수단은 임계값 또는 신뢰 수준을 활용하여 잠재적 타깃 물체가 상기 타깃 물체임을 확인하는 것을 포함하는 것을 특징으로 하는, 장치.
  26. 제24항에 있어서,
    상기 적어도 하나의 항법 변경은 상기 호스트 차량의 감속, 상기 호스트 차량의 가속, 또는 상기 호스트 차량의 조향 메커니즘의 활성화를 포함하는 것을 특징으로 하는, 방법.
  27. 제24항에 있어서,
    상기 제1 데이터 소스는 상기 호스트 차량에 탑재된 카메라, 라이더, 레이더 중의 적어도 하나를 포함하는 것을 특징으로 하는, 방법.
  28. 제24항에 있어서,
    상기 제1 출력과 상기 제2 출력의 상기 조합에 의거한 상기 타깃 물체의 상기 식별의 확인은 상기 타깃 물체가 상기 제1 출력과 상기 제2 출력 모두에서 식별되는지 여부의 판단을 포함하는 것을 특징으로 하는, 장치.
  29. 제24항에 있어서,
    상기 타깃 물체의 상기 특성은 상기 타깃 물체의 크기, 상기 호스트 차량으로부터 상기 타깃 물체까지의 거리, 또는 상기 호스트 차량의 주변상황 내의 상기 타깃 물체의 위치를 포함하는 것을 특징으로 하는, 장치.
  30. 제24항에 있어서,
    상기 타깃 물체는 표현에 의해 특정될 수 있고, 상기 표현은 상기 타깃 물체의 다항식 표현 또는 상기 타깃 물체의 압축 데이터 세트인 것을 특징으로 하는, 장치.

KR1020237028886A 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬 KR20230130147A (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201762519493P 2017-06-14 2017-06-14
US201762519471P 2017-06-14 2017-06-14
US62/519,493 2017-06-14
US62/519,471 2017-06-14
KR1020207000466A KR102572219B1 (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크(fusion framework) 및 배치 정렬(batch alignment)
PCT/IB2018/000808 WO2018229552A2 (en) 2017-06-14 2018-06-14 Fusion framework and batch alignment of navigation information for autonomous navigation

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020207000466A Division KR102572219B1 (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크(fusion framework) 및 배치 정렬(batch alignment)

Publications (1)

Publication Number Publication Date
KR20230130147A true KR20230130147A (ko) 2023-09-11

Family

ID=63143286

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020237028886A KR20230130147A (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬
KR1020207027879A KR102565533B1 (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬
KR1020207000466A KR102572219B1 (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크(fusion framework) 및 배치 정렬(batch alignment)

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020207027879A KR102565533B1 (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬
KR1020207000466A KR102572219B1 (ko) 2017-06-14 2018-06-14 자율 주행을 위한 항법 정보의 융합 프레임워크(fusion framework) 및 배치 정렬(batch alignment)

Country Status (7)

Country Link
US (4) US11561542B2 (ko)
EP (3) EP3764060A1 (ko)
JP (4) JP2020523660A (ko)
KR (3) KR20230130147A (ko)
CN (2) CN110914641B (ko)
IL (2) IL311264A (ko)
WO (1) WO2018229552A2 (ko)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112019027273A2 (pt) * 2017-06-20 2020-07-14 Nissan Motor Co., Ltd. método de controle de destino e dispositivo de controle de destino
US10929713B2 (en) * 2017-10-17 2021-02-23 Sri International Semantic visual landmarks for navigation
WO2019090417A1 (en) 2017-11-10 2019-05-16 Clearpath Robotics Inc. Systems and methods for updating an electronic map
US11080537B2 (en) * 2017-11-15 2021-08-03 Uatc, Llc Autonomous vehicle lane boundary detection systems and methods
EP3754372A4 (en) * 2018-03-30 2021-02-24 Mitsubishi Electric Corporation OBJECT IDENTIFICATION DEVICE
JP6661695B2 (ja) * 2018-05-09 2020-03-11 三菱電機株式会社 移動体検出装置、車両制御システム、移動体検出方法および車両制御方法
WO2020014683A1 (en) * 2018-07-13 2020-01-16 Kache.AI Systems and methods for autonomous object detection and vehicle following
US11227486B2 (en) * 2018-07-16 2022-01-18 Here Global B.V. Method, apparatus, and system for estimating vulnerable road users
US10909866B2 (en) * 2018-07-20 2021-02-02 Cybernet Systems Corp. Autonomous transportation system and methods
CN109543245B (zh) * 2018-10-31 2021-08-10 百度在线网络技术（北京）有限公司 无人车应对能力边界信息确定方法、装置和电子设备
DE102018219391B4 (de) * 2018-11-14 2021-05-20 Honda Motor Co., Ltd. Fahrzeugsteuervorrichtung, Fahrzeugsteuerverfahren undFahrzeugsteuerprogramm
US10824913B1 (en) * 2018-11-21 2020-11-03 Amazon Technologies, LLC Training machine learning models for physical agents and robotic controls with simulations
GB2608567B (en) 2018-12-18 2023-06-14 Motional Ad Llc Operation of a vehicle using motion planning with machine learning
IL270540A (en) * 2018-12-26 2020-06-30 Yandex Taxi Llc Method and system for training a machine learning algorithm to recognize objects from a distance
DE102019202587A1 (de) * 2019-02-26 2020-08-27 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Fahrerinformationssystems in einem Ego-Fahrzeug und Fahrerinformationssystem
CN110532846B (zh) * 2019-05-21 2022-09-16 华为技术有限公司 自动换道方法、装置及存储介质
CN210390983U (zh) * 2019-08-15 2020-04-24 北京百度网讯科技有限公司 自动驾驶车辆
DE102019213185A1 (de) * 2019-09-02 2021-03-04 Volkswagen Aktiengesellschaft Querführung eines Fahrzeugs mittels von anderen Fahrzeugen erfassten Umgebungsdaten
WO2021043387A1 (en) * 2019-09-03 2021-03-11 Huawei Technologies Co., Ltd. Large-scale policy evaluation in multi-agent systems
US11087147B2 (en) 2019-09-19 2021-08-10 Ford Global Technologies, Llc Vehicle lane mapping
US11967106B2 (en) * 2019-12-27 2024-04-23 Motional Ad Llc Object tracking supporting autonomous vehicle navigation
CN111242986B (zh) * 2020-01-07 2023-11-24 阿波罗智能技术(北京)有限公司 跨相机的障碍物跟踪方法、装置、设备、系统及介质
FR3107763B1 (fr) * 2020-02-28 2022-01-28 Continental Automotive Procédé de cartographie tri-dimensionnelle et calculateur associé
WO2021226921A1 (en) * 2020-05-14 2021-11-18 Harman International Industries, Incorporated Method and system of data processing for autonomous driving
US11829150B2 (en) 2020-06-10 2023-11-28 Toyota Research Institute, Inc. Systems and methods for using a joint feature space to identify driving behaviors
US11853077B1 (en) * 2020-07-15 2023-12-26 Amazon Technologies, Inc. System for determining constraint regions for an autonomous mobile device
WO2022033651A1 (en) * 2020-08-10 2022-02-17 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Device for and method of aiding lane changing
CN112560917A (zh) * 2020-12-07 2021-03-26 北京交通大学 一种视觉定位方法及系统
CN114755673A (zh) * 2020-12-25 2022-07-15 欧特明电子股份有限公司 多传感器自动驾驶系统
TWI797526B (zh) * 2020-12-25 2023-04-01 歐特明電子股份有限公司 多感測器自動駕駛系統
JP7164640B2 (ja) * 2021-01-12 2022-11-01 本田技研工業株式会社 車両システム
US20220230345A1 (en) * 2021-01-19 2022-07-21 Home Depot Product Authority, Llc Image based measurement estimation
DE102021107904A1 (de) * 2021-03-29 2022-09-29 Conti Temic Microelectronic Gmbh Verfahren und System zur Bestimmung der Bodenebene mit einem künstlichen neuronalen Netz
CN113156963B (zh) * 2021-04-29 2022-08-12 重庆大学 基于监督信号引导的深度强化学习自动驾驶汽车控制方法
US11794780B2 (en) * 2021-07-29 2023-10-24 GM Global Technology Operations LLC Reward function for vehicles

Family Cites Families (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19613386A1 (de) * 1996-04-03 1997-10-09 Fiat Om Carrelli Elevatori Flurförderzeug, das wahlweise manuell oder automatisch betreibbar ausgebildet ist
JPH1040379A (ja) * 1996-07-22 1998-02-13 Toyota Motor Corp 走路検出装置
JPH11213137A (ja) * 1998-01-29 1999-08-06 Matsushita Electric Ind Co Ltd 画像処理装置
JP2001160200A (ja) * 1999-12-02 2001-06-12 Toyota Central Res & Dev Lab Inc 前方道路情報取得手段選択装置
JP2001331787A (ja) * 2000-05-19 2001-11-30 Toyota Central Res & Dev Lab Inc 道路形状推定装置
JP3687640B2 (ja) * 2002-09-05 2005-08-24 いすゞ自動車株式会社 自動操舵装置
EP1649454A4 (en) 2003-07-29 2011-01-26 Samsung Electronics Co Ltd INFORMATION STORAGE MEDIUM AND METHOD AND APPARATUS FOR RECORDING AND / OR READING POINT INFORMATION
US7486803B2 (en) * 2003-12-15 2009-02-03 Sarnoff Corporation Method and apparatus for object tracking prior to imminent collision detection
JP2007178271A (ja) * 2005-12-28 2007-07-12 Aisin Aw Co Ltd 自位置認識システム
JP4715579B2 (ja) * 2006-03-23 2011-07-06 株式会社豊田中央研究所 潜在危険度推定装置
JP5012270B2 (ja) * 2007-07-10 2012-08-29 トヨタ自動車株式会社 物体検出装置
KR20100100842A (ko) * 2007-11-02 2010-09-15 콘티넨탈 테베스 아게 운트 코. 오하게 디지털 맵의 검증
US8744122B2 (en) * 2008-10-22 2014-06-03 Sri International System and method for object detection from a moving platform
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
CN102201172A (zh) * 2011-05-17 2011-09-28 北京工业大学 具备行为导向与约束能力的车载导航装置及其方法
KR101658089B1 (ko) * 2011-08-04 2016-09-30 엘지전자 주식회사 차선 유지 제어를 위한 차선 중심 추정 방법 및 그 장치
DE102011112578A1 (de) * 2011-09-08 2013-03-14 Continental Teves Ag & Co. Ohg Verfahren und Vorrichtung für ein Assistenzsystem in einem Fahrzeug zur Durchführung eines autonomen oder teilautonomen Fahrmanövers
DE102011117100A1 (de) * 2011-10-27 2012-05-03 Daimler Ag Verfahren und Vorrichtung zur Bestimmung einer Fahrzeugumgebung
JP5747787B2 (ja) * 2011-11-04 2015-07-15 トヨタ自動車株式会社 車線認識装置
US8855847B2 (en) * 2012-01-20 2014-10-07 Toyota Motor Engineering & Manufacturing North America, Inc. Intelligent navigation system
US9056395B1 (en) * 2012-09-05 2015-06-16 Google Inc. Construction zone sign detection using light detection and ranging
US8849494B1 (en) * 2013-03-15 2014-09-30 Google Inc. Data selection by an autonomous vehicle for trajectory modification
US9145139B2 (en) * 2013-06-24 2015-09-29 Google Inc. Use of environmental information to aid image processing for autonomous vehicles
DE202013006467U1 (de) * 2013-07-18 2014-10-22 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Fahrzeugumfeld-Überwachungssystem
CN104331703A (zh) * 2013-07-22 2015-02-04 博世汽车部件(苏州)有限公司 监测车辆行驶状态的方法及实现该方法的汽车导航设备
DE102013020435A1 (de) * 2013-12-06 2014-06-18 Daimler Ag Verfahren zum Erkennen von Objekten in einer Fahrzeugumgebung
CN106461774B (zh) * 2014-02-20 2019-04-23 御眼视觉技术有限公司 基于雷达提示视觉成像的高级驾驶员辅助系统
US9875661B2 (en) * 2014-05-10 2018-01-23 Aurora Flight Sciences Corporation Dynamic collision-avoidance system and method
WO2015177648A1 (en) * 2014-05-14 2015-11-26 Ofer Springer Systems and methods for curb detection and pedestrian hazard assessment
EP3256815A1 (en) * 2014-12-05 2017-12-20 Apple Inc. Autonomous navigation system
US10493986B2 (en) * 2015-01-26 2019-12-03 Trw Automotive U.S. Llc Vehicle driver assist system
CA3067177A1 (en) * 2015-02-10 2016-08-18 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
CN108271408B (zh) * 2015-04-01 2020-12-04 瓦亚视觉有限公司 使用被动和主动测量生成场景的三维地图
KR20160136582A (ko) * 2015-05-20 2016-11-30 정병로 내비게이션 음성 처리 시스템
JP6539228B2 (ja) * 2015-06-16 2019-07-03 株式会社デンソー 車両制御装置、及び車両制御方法
KR102278387B1 (ko) * 2015-07-07 2021-07-16 주식회사 만도 거리 산출 장치, 거리 산출 방법, 운전 지원 장치 및 운전 지원 시스템
JP6560355B2 (ja) * 2015-08-28 2019-08-14 株式会社日立製作所 ランドマーク認識装置及び認識方法
JP6568437B2 (ja) * 2015-09-17 2019-08-28 クラリオン株式会社 区画線認識装置
CN115223139A (zh) * 2015-11-26 2022-10-21 御眼视觉技术有限公司 对切入车道的车辆的自动预测和利他响应
US10871782B2 (en) * 2016-07-01 2020-12-22 Uatc, Llc Autonomous vehicle control using submaps
US10203696B2 (en) * 2016-07-26 2019-02-12 Waymo Llc Determining drivability of objects for autonomous vehicles
US10401500B2 (en) * 2016-12-30 2019-09-03 DeepMap Inc. Encoding LiDAR scanned data for generating high definition maps for autonomous vehicles
US10345812B2 (en) * 2017-01-10 2019-07-09 GM Global Technology Operations LLC Methods and apparatus for optimizing a trajectory for an autonomous vehicle
JP7235247B2 (ja) * 2017-03-01 2023-03-08 モービルアイ ビジョン テクノロジーズ リミテッド 不確実性を検知しながらナビゲートするためのシステム及び方法
US10040450B1 (en) * 2017-03-13 2018-08-07 Wipro Limited Method of controlling an autonomous vehicle and a collision avoidance device thereof
US10268203B2 (en) * 2017-04-20 2019-04-23 GM Global Technology Operations LLC Calibration validation for autonomous vehicle operations
US20200151611A1 (en) * 2017-05-26 2020-05-14 Google Llc Machine-Learned Model System
WO2019000417A1 (en) * 2017-06-30 2019-01-03 SZ DJI Technology Co., Ltd. SYSTEMS AND METHODS OF GENERATING CARDS
US11537868B2 (en) * 2017-11-13 2022-12-27 Lyft, Inc. Generation and update of HD maps using data from heterogeneous sources

Also Published As

Publication number Publication date
JP2020523660A (ja) 2020-08-06
KR20200016949A (ko) 2020-02-17
EP3638981B1 (en) 2022-12-21
US11698263B2 (en) 2023-07-11
CN110914641A (zh) 2020-03-24
IL271157A (en) 2020-01-30
US20200088539A1 (en) 2020-03-19
US10976741B2 (en) 2021-04-13
IL311264A (en) 2024-05-01
EP3638981A2 (en) 2020-04-22
CN110914641B (zh) 2024-01-30
KR20200123474A (ko) 2020-10-29
JP7160262B2 (ja) 2022-10-25
WO2018229552A2 (en) 2018-12-20
JP2021036431A (ja) 2021-03-04
US20200348672A1 (en) 2020-11-05
US11561542B2 (en) 2023-01-24
IL271157B1 (en) 2024-04-01
KR102572219B1 (ko) 2023-08-30
US20200333784A1 (en) 2020-10-22
US20200089232A1 (en) 2020-03-19
CN112214027A (zh) 2021-01-12
EP4160147A1 (en) 2023-04-05
JP2023130440A (ja) 2023-09-20
JP2023130441A (ja) 2023-09-20
WO2018229552A3 (en) 2019-02-21
KR102565533B1 (ko) 2023-08-10
EP3764060A1 (en) 2021-01-13

Similar Documents

Publication Publication Date Title
KR102572219B1 (ko) 자율 주행을 위한 항법 정보의 융합 프레임워크(fusion framework) 및 배치 정렬(batch alignment)
KR102646644B1 (ko) 감지 불확실성이 있는 항법을 위한 시스템 및 방법
US20230347877A1 (en) Navigation Based on Detected Size of Occlusion Zones
US10970790B2 (en) Safe state to safe state navigation
US20210034068A1 (en) Prioritized constraints for a navigational system
US11499834B2 (en) Aligning road information for navigation
JP2022553491A (ja) 車両ナビゲーション用のシステムおよび方法
KR20190069384A (ko) 자율 주행을 위한 스파스 맵(sparse map)의 크라우드소싱과 배포 및 차선 측정
US20220332349A1 (en) Navigation based on partially occluded pedestrians
JP2022532695A (ja) 画像分析に基づく車両ナビゲーションのためのシステム及び方法
CN118274868A (zh) 用于自主导航的装置和方法

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal